AI 论文周报｜2026-10-12 — 2026-10-16

本期导读

本期目录收录 74 篇论文，涉及智能体、具身智能、多模态、视频生成。站内浏览导读与篇目，再按需查阅论文资料。 本页整理本期阅读线索与篇目目录，并补充产业观察问题，便于在站内先建立阅读框架。

本期刊物：AI 论文周报。条目更新日期：2026-10-18。

产业观察

以下是路见整理的阅读问题，用来区分技术进展、产品可用性与商业兑现；不代表本期论文或原作者已经验证了这些商业结果。

智能体

把自动执行任务的能力拆开看：能否稳定调用工具、处理中途失败、完成多步任务。产业价值需要进一步核验任务完成率、人工接管次数，以及每次成功交付的成本。

具身智能

从模型走向真实设备，通常还要经过感知、控制和安全验证。阅读时可关注演示场景是否受限、换环境后能否工作，以及真实部署需要多少维护和训练数据。

多模态

同时处理文字、图像、声音，并不自动意味着能解决业务问题。更值得追问的是：哪一种信息减少了错误，是否必须收集新数据，效果提升能否覆盖计算和数据成本。

视频生成

判断视频工具的实用性，可以分别观察画面质量、跨镜头一致性、可修改程度和生成耗时。能够进入生产流程，还取决于返工次数、素材授权和与现有工具的衔接。

本期篇目

收录 74 个篇目标题。可先浏览感兴趣的方向，再按需打开具体论文或项目资料。

1. Waypoint-OPD：通过门控同策略蒸馏迁移 RL 引发的策略偏移 · 延伸资料

1. OmniCompass：面向全模态视频定位与理解的综合基准 · 延伸资料

1. Jeva：从第一性原理构建 System One 模型 · 延伸资料

1. VideoJev：面向视频理解与交互的 System One 模型 · 延伸资料

1. MJev-Spatial：通过原生注意力匹配实现系统 1 空间智能 · 延伸资料

1. 任意时间、任意空间：一种以世界状态为中心的智能体视频生成框架 · 延伸资料

1. Player-1：从合成经验中学习游戏操作 · 延伸资料

1. GroundingPI：面向物理智能、以视觉基元实现接地的基座模型 · 延伸资料

1. DiffusionART：高效、稳定且可扩展的扩散模型强化学习 · 延伸资料

1. OpenGCUA：迈向通用计算机使用全开放技术栈 · 延伸资料

1. S-Space：探索多模态语言模型中的空间工作区 · 延伸资料

1. FDE-Gym：AI 交付的最后一公里 · 延伸资料

1. 思维惯性：LLM 在被要求停止思考时仍会继续思考 · 延伸资料

1. 超越域路由监督：多教师策略内蒸馏中的跨教师守卫 · 延伸资料

1. AgentSWE：编码 Agent 能构建你真正想要的 Agent 吗？ · 延伸资料

1. Agent-Reflex：教语言智能体进行反思性行动 · 延伸资料

1. RoTA-Bench：通过交互式投影对齐评估 3D 空间推理 · 延伸资料

1. 自演化 Agent Harness · 延伸资料

1. 面向长时程终端智能的 Agentic 数据扩展 · 延伸资料

1. MAI-Gym：面向移动端与计算机环境的 GUI Agent 评估与 RL 训练开放一体化平台 · 延伸资料

1. Reflex：视觉 grounded 的反应式人形机器人控制 · 延伸资料

1. 学习在哪里切分：用于音频源分离的动态频带切分 · 延伸资料

1. AesCode：具有解耦跨模态奖励的美学代码生成 · 延伸资料

1. Urbex：面向城市级 3D 场景的 Agent 空间定位 · 延伸资料

1. InfiniSplat v2：分析与改进任意视角下的前馈 3DGS · 延伸资料

1. SoftwareGym：用多样化合成软件环境扩展计算机使用 Agent 训练 · 延伸资料

1. Tev：用密集进度奖励扩展长程 Agent 环境 · 延伸资料

1. Harness^2：面向开放世界的递归式 Agent 执行框架构建 · 延伸资料

1. 稀疏自编码器表征的行为组合性 · 延伸资料

1. 3DCodeVerse：将 3D 世界作为代码进行探索 · 延伸资料

1. Doc2Harness：在编码 Agent 的长程 Harness 工程中对 LLM 进行基准测试 · 延伸资料

1. GreenWAM：面向机器人领域的世界基础模型 · 延伸资料

1. VIS-Ground：基于上下文依据的视频互动叙事 · 延伸资料

1. GroundAnything：以极速协调并行解码与精确视觉定位 · 延伸资料

1. TPPO：用于语言模型推理的跟踪价值 PPO · 延伸资料

1. ExeWorldBench：面向基于代码的可执行 3D 世界建模的基准测试 · 延伸资料

1. WorkRover：通过递归环境演化扩展长时程协作 Agent 训练 · 延伸资料

1. Vela：以用户行为作为监督信号激发 LLM 智能 · 延伸资料

1. 更多方法，更好的 Agent？Agentic 强化学习中自蒸馏的现实检验 · 延伸资料

1. SCOPE：面向文本到图像生成提示词工程的语义边界信用优化 · 延伸资料

1. 通过批评引导的在线策略蒸馏恢复可靠监督 · 延伸资料

1. X-Ragent：面向基于证据的胸部X射线推理的工具增强强化学习 · 延伸资料

1. DoSA：点稀疏注意力 · 延伸资料

1. 用于高效自回归视频生成的 Speculative Forcing · 延伸资料

1. LeWAM：基于 JEPA 的端到端世界与动作建模 · 延伸资料

1. EmbodiedCLBench：评估自进化具身智能体的持续学习能力 · 延伸资料

1. Last Secure Code Benchmark：你“氛围编程”出的代码安全吗？ · 延伸资料

1. 多个正确答案，一个训练样本：为 LLM 推荐器移除 GRPO 中的回答者噪声 · 延伸资料

1. Multics：具有分层通信的生成式多玩家世界模型 · 延伸资料

1. UltraBERT：超越 BERT 预训练的极限 · 延伸资料

1. VisionWeave：将弹性视觉表示编织为多模态大模型的原生能力 · 延伸资料

1. SwarmRSI：通过进化科学 Agent 群体实现递归自我改进 · 延伸资料

1. 得分更高，回答更差：通过协议级评分标准缓解基于评分标准的强化学习中的奖励黑客行为 · 延伸资料

1. LatentLoop：以非对称计算分配扩展循环 MoE 模型 · 延伸资料

1. 在立体声中聆听世界：面向沉浸式视频-音频联合生成的动态空间对应学习 · 延伸资料

1. Cortex：将上下文整合为参数化记忆 · 延伸资料

1. SALD：面向扩散模型的自参考优势学习 · 延伸资料

1. EviScene：超越“它是不是 AI 生成的？”——面向 Agent 的图像事实性评估 · 延伸资料

1. ActionOPD：蒸馏决策，而非 Token · 延伸资料

1. 将每个奖励分配给其相关 Token：多奖励 RL 的奖励特定 Token 级信用分配 · 延伸资料

1. AReA：用于高效高分辨率扩散 Transformer 的自适应感受野注意力 · 延伸资料

1. VLA-Δ：为视觉-语言-动作模型学习物理状态转移 · 延伸资料

1. Mosaic：多会话智能体强化学习 · 延伸资料

1. ProgramGym：面向长周期程序复现 Agent 的可扩展训练环境 · 延伸资料

1. CommerceGen-Studio：面向商业级主图生成的端到端框架 · 延伸资料

1. Work2Skill：捕获人类 GUI 经验以用于可复用 Agent 技能归纳 · 延伸资料

1. APEX：面向极端压缩的异步前缀去噪 · 延伸资料

1. 看见、维护与学习：多模态 Agent 记忆的演进 · 延伸资料

1. 多流注意力残差 · 延伸资料

1. RSI-Anything：借助世界模型实现递归自我改进 · 延伸资料

1. 学习如何记忆：GUI Agent 的记忆模态选择 · 延伸资料

1. 相关性不等于适用性：面向个人 GUI Agent 的经验激活 · 延伸资料

1. 通过合成自蒸馏持续后训练小模型 · 延伸资料

1. SepGen：在单一模型中实现多分轨音视频分离与生成 · 延伸资料

继续跟踪

阅读后可以留下三个问题：这项技术解决了谁的问题？用户是否愿意持续付费？成本、可靠性和交付条件是否已经具备？把下一次观察建立在可核验的产品与经营信息上。