ARCHIVE · 2026-10 · 198 PAPERS · PAGE 1/4

2026-10 论文

2026-10 在 arXiv 首发的论文，按日期倒序。要按主题、学科或机构筛选，请用归档检索。

智能体 83视觉生成 50高效训练与推理 45评测与数据 40强化学习 31多模态 28机器人与具身 26大语言模型 20推理 18代码与软件工程 15视觉理解与 3D 14AI for Science 9安全与可解释 7对齐 2

机构前 5：alibaba (5) · Tencent Hunyuan (5) · NVIDIA (4) · Nanyang Technological University (4) · Qwen (4)

▲182 ❝0 2026-10-20

Matrix-Game 4.0: Harnessing Video Models for Real-Time Playable Game Worlds

Matrix-Game 4.0 让轻量引擎和编程智能体管游戏逻辑、视频模型管画面，单张 RTX 5090 跑出 60 帧。

机构待核实 · Jihai Zhang, Runjia Qian, Kaiqin Kong +15

视觉生成智能体 arXiv HF

▲148 ❝0 2026-10-20

PAR: Progress-Aligned Recurrence for Length Generalization in State Tracking

PAR 让循环语言模型每轮迭代对齐“已完成的步数”并锚定状态范数，状态追踪任务可外推到训练长度的 16 倍。

ant-international · Pan Wang, Yihao Hu, Guangyuan Dong +8

大语言模型推理 arXiv HF

▲94 ★12 ❝0 2026-10-20

S-Agent 2.0: Spatial Reasoning with a General Coding Agent

S-Agent 2.0 给通用编程智能体配上命令行 3D 感知工具和场景记忆，显著提升空间推理基准成绩。

Ropedia · Rui Gong, Ruoyu Wang, Yalun Dai +9

智能体推理 arXiv 代码 HF

▲64 ★574 ❝0 2026-10-20

Sage-A1.5: From Long-Horizon Execution to Scientific Exploration with Capability Composition

Sage-A1.5 是 35B MoE 智能体模型，新增子智能体并行协作、过程自检和开放式科学探索能力。

Intern Science · Wenjie Lou, Tianshuo Peng, Shiyang Feng +96

智能体 AI for Science arXiv 代码 HF

▲47 ★215 ❝1 2026-10-20

SolarRenderer: Few-Step Generative Reference Rendering

SolarRenderer 给冻结的视频大模型加两个 LoRA，把游戏引擎粗结构视频四步渲染成真实画面，并支持实时流式。

Show Lab · Guian Fang, Shengju Qian, Dongyue Lu +6

视觉生成高效训练与推理 arXiv 代码 HF

▲42 ★17 ❝0 2026-10-20

Learning the 4D World through Point Trajectory Forecasting

VPM 世界模型同时预测多视角未来视频和场景点的三维轨迹，并扩展到机器人控制。

机构待核实 · Byungwoo Jeon, Sunghwan Hong, Dohyeon Kim +10

视觉生成机器人与具身 arXiv 代码 HF

▲24 ★11 ❝0 2026-10-20

MMEnterprise-Bench: Evaluating Enterprise Agents over Evolving Multimodal Records

MMEnterprise-Bench 含 1613 道题，基于不断修订的企业多模态记录，考察证据推理、冲突消解和拒答。

机构待核实 · Seohyun Lee, Jongha Kim, Dohwan Ko +4

评测与数据智能体 arXiv 代码 HF

▲22 ❝0 2026-10-20

Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs

NVIDIA 提出给任意骨骼同时生成视频和可回放的 3D 动作及相机，把视频里的动作直接用于 3D 资产。

NVIDIA · Noam Rotstein, Yoad Tewel, Chen Tessler +5

视觉生成视觉理解与 3D arXiv HF

▲237 ❝0 2026-10-19

Scaling Parameter-Efficient Fine-Tuning for Brain Encoding

用参数高效微调把最大 104B 的多模态模型适配到脑编码任务，更准确地预测大脑对刺激的反应。

Mind Lab · Zhuofan Josh Ying, Guanglong Sun, Nolan Ho +6

AI for Science 高效训练与推理 arXiv HF

▲225 ★12 ❝0 2026-10-19

Focused Omni-Modal GUI Agents

FocusGUI 用轻量适配器按步骤挑出最相关的屏幕、音频等信号注入冻结模型，缓解 GUI 智能体被无关上下文带偏。

Nanyang Technological University · Fuyao Zhang, Wenwen He, Jiaming Zhang +6

智能体多模态 arXiv 代码 HF

▲179 ★36 ❝0 2026-10-19

Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

Ropedia W0 是跨人类与多种机器人的第一视角移动操作世界基础模型，用 1 万小时人类、3 千小时机器人数据训练。

Ropedia · Tianqi Liu, Hanfei Zhao, Qifeng Liang +12

机器人与具身视觉生成 arXiv 代码 HF

▲170 ★18 2026-10-19

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

EgoXperience 用自动标注引擎联合重建第一视角视频中的人体运动、场景几何与手物交互，并配套基准。

Ropedia · Xinhao Ji, Hui En Pang, Hao Li +12

视觉理解与 3D 机器人与具身评测与数据 arXiv 代码 HF

▲156 ★13 ❝0 2026-10-19

Holi-World: Building Holistic World Intelligence from Human-Ego Experience

Holi-World 是从人类第一视角经验构建世界智能的完整生态，覆盖采集、表征、数据构建、训练和评测。

Ropedia · Hao Li, Xiyuan Zheng, Yuanyuan Gao +7

视觉理解与 3D 评测与数据 arXiv 代码 HF

▲119 ★272 ❝0 2026-10-19

MemT-1.0: Towards Memory-Native Evolution

MemT-1.0 把记忆做成模型计算的一部分，基于 Gated DeltaNet-2 和混合存储扩展原生记忆容量。

MemTensor · Zhiyu Li, Zeyu Zhang, Linyun Liu +71

大语言模型高效训练与推理 arXiv 代码 HF

▲112 2026-10-19

Learning from Fleet Experience: Collective Experience Learning Across 96 Robots

提出“集体经验学习”：96 台机器人共享执行经验，按失败情境检索成功片段来微调共同策略，无需额外人工示范。

机构待核实 · Chao Yu, Shu'ang Yu, Hao Lin +41

机器人与具身 arXiv HF

▲102 ★152 2026-10-19

OpenVLHarness: Real World Visual Agentic Tool-Use with Multimodal Memory

OpenVLHarness 为多模态模型提供工具能力层和持久多模态记忆，处理需要外部证据的视觉任务。

Apple · Yu Zhou, Cheng-Fu Yang, Rui Sun +8

多模态智能体 arXiv 代码 HF

▲84 ★40 2026-10-19

ScaleNav: Scalable Internet Video Pretraining for Language-Conditioned Local Navigation

ScaleNav 从互联网第一视角视频中学习目标导向的视觉动态，用于语言指令下的机器人局部导航。

机构待核实 · Yihui Yang, Yuanhong Yu, Jiawei Wang +7

机器人与具身 arXiv 代码 HF

▲80 ★6 2026-10-19

SpecMRL: Redesign Matryoshka Representation Learning within Parametric Spectrum

SpecMRL 用参数导出的谱基重排特征，让俄罗斯套娃式表示的前缀维度更好地承载关键信息。

机构待核实 · Zhongxin Chen, Songhao Wu, Heng Cui +3

高效训练与推理 arXiv 代码 HF

▲37 ★7 2026-10-19

AnyGoal: On World Model Generalization Beyond Expert Rollouts

AnyGoal 基准测试世界模型能否组合已见过的状态和动作因素，发现现有模型在这类重组上普遍失败。

galilai-group · Heejeong Nam, Divyat Mahajan, Quentin Le Lidec +2

评测与数据智能体 arXiv 代码 HF

▲28 2026-10-19

Kronecker Delta Rule for Long Context Linear Attention

KronLSTM 提出克罗内克 Delta 规则，只沿单一方向修正记忆矩阵，让长上下文线性注意力更稳定。

NX-AI · Anamaria-Roberta Hartl, Levente Zólyomi, Michael List +3

高效训练与推理大语言模型 arXiv HF

▲28 ★3 ❝0 2026-10-19

AdaExploreBench: Benchmarking LLM Agents for Proactive Exploration and Test-time Adaptation in Evolving Environments

AdaExploreBench 用隐藏且会悄悄变化的规则，测试智能体能否主动探索并在测试时自我调整。

HKUST · Rui Wang, Zishen Lai, Jiayu Liu +15

评测与数据智能体 arXiv 代码 HF

▲27 ★4 ❝0 2026-10-19

HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs

HarnessPro 在无标准答案的情况下迭代改进智能体执行框架，同时给出省钱、均衡、高性能三档方案。

机构待核实 · Zhuoshi Pan, ZhiYuan Feng, Yukuo Cen +6

智能体代码与软件工程 arXiv 代码 HF

▲27 ★8 2026-10-19

RoAR-VAE: Improving Latent Diffusability through Robust Prediction

RoAR-VAE 提出“稳健预测”原则：让被破坏的潜变量仍能恢复语义和图像，从而让潜空间更容易被扩散模型学习。

Tsinghua-LeapLab · Yang Yue, Fangyun Wei, Yitong Wang +4

视觉生成 arXiv 代码 HF

▲27 ❝0 2026-10-19

SWIFT: Self-guided Weak-to-strong dIFfusion models via Target extrapolation

SWIFT 用冻结的早期弱模型给训练目标做外推，放大强模型欠拟合的部分，提升扩散模型质量且不增加推理开销。

alibaba · Yanjin He, Cuifeng Shen, Wanzhou Lei +5

视觉生成 arXiv HF

▲26 ★31 ❝0 2026-10-19

InfiniDream: Open-Ended Photorealistic 3D Worlds Through Procedural Generation

InfiniDream 让视觉语言模型调用程序化生成算法，开放式地生成可编辑、照片级的 3D 资产和大场景。

Alaya Lab · Yi-Chuan Huang, Hao-Jen Chien, Zheng-Hui Huang +3

视觉理解与 3D 代码与软件工程 arXiv 代码 HF

▲26 ★47 ❝0 2026-10-19

Manga2Animate: An Agentic Framework for Faithful Manga Animation with Script and Storyboard Planning

Manga2Animate 用“创作+审核”配对的多智能体先写动画剧本和分镜，再生成忠于原作的漫画动画。

National Yang Ming Chiao Tung University · Sheng-Wei Zhang, Hsi-An Chen, Yan-Ting Liou +3

智能体视觉生成 arXiv 代码 HF

▲22 2026-10-19

SpecKCast: Spectral Kalman Forecasting for Diffusion Acceleration

SpecKCast 在频域用卡尔曼滤波预测扩散 Transformer 输出，不确定性高时才真算一次，无需训练即可加速。

Samsung Research · Javad Rajabi, Hakki Can Karaimer, David B. Lindell +2

视觉生成高效训练与推理 arXiv HF

▲68 ★5 ❝0 2026-10-18

CoEvo-RSI: When Harnesses Evolve, Which Models Should Follow?

CoEvo-RSI 研究模型与执行框架（harness）共同进化时的“脑体不匹配”，由元智能体协调框架演化和模型选择。

机构待核实 · Jiaqi Su, Guibin Zhang, Jie-Jing Shao +5

智能体大语言模型 arXiv 代码 HF

▲60 ★9 ❝0 2026-10-18

VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse

VLA-Rolling 复用上一段未执行的动作尾巴作为去噪起点，用更少步数生成动作，冻结模型即可提速并提高成功率。

ZJU-OmniAI · Sicheng He, Yi Pan, Qiuting Yu +10

机器人与具身高效训练与推理 arXiv 代码 HF

▲42 ★12 ❝0 2026-10-18

CoworkEnv: Synthesizing Training Environments for Long-Horizon Cowork Agents

CoworkEnv 自动合成可执行的“AI 同事”训练环境（任务、工具、评分），用于监督微调和强化学习小模型。

机构待核实 · Zhongwei Xie, Yiming Du, Jiaxin Bai +10

智能体强化学习 arXiv 代码 HF

▲37 ★22 2026-10-18

MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion

MT Forcing 用单轮蒸馏教师和教师强制引导训练自回归扩散模型，减少多轮图像编辑中的画质漂移和内容走样。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +10

视觉生成 arXiv 代码 HF

▲313 ★84 ❝0 2026-10-16

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

HexaShell 只用一层很薄的框架，让编程 Agent 通过命令行直接控制双臂机器人，并在失败后自己写工具改进。

HexaFuture · Hongcheng Gao, Alex Zhou, Jay Zhu +13

机器人与具身智能体代码与软件工程 arXiv 代码 HF

▲291 ★5 ❝0 2026-10-16

OR-License: Evaluating LLM Agents as Real-World Operations Research Practitioners

OR-License 用 31 个真实付费运筹咨询项目的原始材料，测试大模型智能体能否直接交付专家级运筹方案。

Data Science & Artificial Intelligence Lab at HKUST · Peisong Wang, Feixue Liu, Yize Meng +16

评测与数据智能体 arXiv 代码 HF

▲89 ★1.2k ❝0 2026-10-16

MOSS-Image Technical Report

MOSS-Image 是开源 5B 文生图系统，擅长中英长文本渲染和复杂版式，并配有意图感知的提示增强。

OpenMOSS · MOSI. AI

视觉生成 arXiv 代码 HF

▲62 ★27 ❝0 2026-10-16

Scene-Designer: Learning Design Intelligence for Agentic 3D Scene Generation

Scene-Designer 从设计与评审两类经验中学习“设计智能”，用文字生成完整可用的 3D 室内场景。

ZJU-OmniAI · Xuanyu Liu, Hongyan Feng, Miao Pan +5

智能体视觉理解与 3D arXiv 代码 HF

▲52 ❝0 2026-10-16

Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning

TreeOPSD 把多轮交互建成树，回传终局奖励得到每轮的隐式信用，再做无评论家的自蒸馏，用于长程智能体强化学习。

Tencent Hunyuan · Heming Zou, Qi Wang, Yixiu Mao +7

强化学习智能体 arXiv HF

▲45 ★45 ❝0 2026-10-16

Xiaomi-Lens-0 Technical Report

Xiaomi-Lens-0 是基于 Qwen3.5 的 4B 多模态模型，能直接从自身视觉表征预测分割掩码。

SeerRay-Lab · Pei Fu, Yike Liu, Yue Sun +13

视觉理解与 3D 多模态 arXiv 代码 HF

▲45 ★28 ❝0 2026-10-16

Self-Evolving Coding Agents via Harness-Policy Optimization

微软 Self-HPO 交替优化编程智能体的“外壳”（harness）和策略模型，实现递归自我改进。

Microsoft Research · Zhepei Wei, Wenlin Yao, Baolin Peng +5

代码与软件工程智能体强化学习 arXiv 代码 HF

▲35 ★29 ❝0 2026-10-16

RAP: A Dataset for Paper-to-Poster Generation via Declarative Markup from Human-Crafted Exemplars

RAP 数据集收录 2.5 万多对论文与海报，把海报还原成可渲染比对的 HTML/CSS，用于论文转海报生成。

meituan · Haonan Han, Yukang Lin, Minliang Lin +7

评测与数据代码与软件工程 arXiv 代码 HF

▲33 ❝0 2026-10-16

MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

MTEdit 用“打包轨迹画布”一次生成多个编辑状态，构建 50 万条多轮图像编辑数据和配套评测。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +8

视觉生成评测与数据 arXiv HF

▲33 ★12 ❝0 2026-10-16

Execution Before Memory: Diagnosing Memory Failures in Video World Models

MIST 评测把“是否执行了指令”与“是否记住”分开，发现视频世界模型的瓶颈多在执行而非记忆。

The University of Hong Kong · Weiyang Jin, Jiwen Yu, Sihan Xu +2

评测与数据视觉生成 arXiv 代码 HF

▲32 ★43 ❝0 2026-10-16

DLite: History-free Speculative Decoding for Agentic AI

DLite 是不保留历史上下文的推测解码：直接复用目标模型隐藏状态做局部草稿，适合上下文不断增长的智能体任务。

Shanghai Jiao Tong University · Jiaming Xu, Hanzhen Wang, Tianlang Zhao +7

高效训练与推理智能体 arXiv 代码 HF

▲727 ★5 ❝0 2026-10-15

PremiseCheck: Efficient Fact-Checking of Human and AI Peer Reviews

ReviewFact 标注审稿意见中的事实错误，PremiseCheck 结合大模型和轻量判别模型低成本核查。

机构待核实 · Dingjie Song, Zhiling Yan, Ziqian Zhang +2

评测与数据高效训练与推理 arXiv 代码 HF

▲560 ★17 ❝0 2026-10-15

MJev-Spatial: System One Spatial Intelligence via Native Attention Matching

MJev-Spatial 把空间理解任务改成分类式打分，比自由生成文本更快地回答方位、距离和落点问题。

Mind Lab · Luozheng Qin, Yuhan Zhu, Changhai Zhou +9

多模态高效训练与推理 arXiv 代码 HF

▲459 ★218 ❝0 2026-10-15

Has GPT-6-Astra Achieved Embodied Intelligence?

在 12 个机器人基准上系统评测 GPT-6-Astra 的具身能力，并讨论通用大模型对机器人研究的影响。

SenseNova · SenseNova, Joint Research Team, Zhongang Cai +59

机器人与具身评测与数据 arXiv 代码 HF

▲330 ★396 ❝0 2026-10-15

OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use

OpenGCUA 计划开源通用电脑操作 Agent 的完整技术栈，首版同时支持视觉界面和代码执行。

Tongyi-MAI · Hanzhang Zhou, Long Li, Quyu Kong +12

智能体代码与软件工程 arXiv 代码 HF

▲272 ★107 ❝0 2026-10-15

FDE-Gym: The Last Mile of AI Delivery

FDE-Gym 收录 95 个真实交付任务，考察 Agent 能否像驻场工程师一样澄清需求并交付可用方案。

DeepLethe · Dongxu Yang, Hongda Yan, Renxin Wang +23

智能体评测与数据 arXiv 代码 HF

▲218 ★10 ❝0 2026-10-15

Waypoint-OPD: Transferring RL-Induced Policy Shifts via Gated On-Policy Distillation

Waypoint-OPD 借助教师 RL 训练中途的检查点，只迁移前后一致的策略变化。

机构待核实 · Bingxi Hou, Guochao Jiang, Guofeng Quan +4

强化学习高效训练与推理 arXiv 代码 HF

▲175 ❝0 2026-10-15

Learning to Think and Explore in 3D World

让视觉语言模型像人一样一次看一张图，在 3D 环境中边推理边移动视角再作答，用 RL 训练。

University of California at San Diego · Yijiang Li, Bingyang Wang, Nuno Vasconcelos

多模态强化学习推理 arXiv HF

▲117 ★185 ❝0 2026-10-15

3DCodeVerse: Exploring 3D Worlds as Code

3DCodeVerse 提供 200 万条可执行 3D 代码数据和编码框架，让 Agent 生成可编辑可验证的 3D 内容。

University of Southern California · Yipeng Gao, Ziyao Zeng, Jinfa Huang +16

代码与软件工程视觉生成 arXiv 代码 HF