开场：十五篇论文与四大方向

主持人交代本期为 2026 年 10 月 23 日速递，共十五篇论文，覆盖多模态视频生成、智能体与深度搜索、视觉感知及大模型记忆等方向。

让 MLLM 潜变量真正参与电影级视频生成

第一篇论文针对 MLLM 潜变量可能未被有效使用的问题，提出三阶段训练：先让生成器依赖潜变量，再用因子跨度替换增强角色、场景、动作与镜头控制，最后联合优化理解与生成通路。实验在系数到视频、感知编辑和多镜头生成上优于基线。

OpenDSWorld：开放网络搜索暴露智能体瓶颈

第二篇论文构建含 200 个任务、覆盖 8 个领域的开放网络搜索基准。最强模型 GPT-6 Astra 准确率仅 39.0%，人类平均 21.1%，仅 57.5% 任务被解出。结论是瓶颈不在搜索量，而在证据选择、整合、工具协调与预算控制。

统一视觉感知与可复用图层编辑

第三篇 WeVisOne-VL 用单一模型统一检测、指代定位、OCR、指代分割与抠图，基于 Qwen3-VL 加轻量解码器，对象级表现优于同规模模型，局限是单轮无思维链。第四篇 LayerEditor 把图像编辑与可复用 RGBA 图层生成放进同一模型，构建十万组编辑数据，保真度与重组一致性优于对比方法。

命令行智能体与物理 AI 的递归自我改进

第五篇 IQuest-Q1 面向命令行环境，320B 总参数、15B 激活稀疏 MoE，SWE-bench Pro 57.5、Terminal-Bench 2.1 为 83.2、CyberGym 84.5，开放权重。第六篇综述用 R1、R2 两条因果链定义物理 AI 的递归自我改进，指出流程改进多限于单个组件，尚无研究能隔离增益。

参数化记忆与生成侧反哺理解

第七篇 DFM 把外部知识组织为 32 token 参数化记忆，冻结主干、门控交叉注意力注入中间层，Mistral 7B 平均 27.21，较最强基线高 12.71%。第八篇发现统一多模态模型理解通路压缩视觉证据导致细节丢失，提出 GAFU 把生成侧表示注入理解，15 个基准组合平均提升 3.56 到 5.98 个百分点。

语言作为动作接口的潜在世界模型

第九篇 LaLa-World 用自然语言作为数值动作与视觉变化的共享接口，冻结视觉编码器提取表示、语言模型预测下一潜在表示，单一模型在五个仿真任务平均规划成功率 72.1%，比基线高 7.5 个百分点，加入图像视频数据还能提升规划表现。

Meta Expert：跨层共享专家降冗余

第十篇指出主流 MoE 每层私有专家存在大量冗余，提出跨层共享 meta experts。在 2B 到 6B、12 到 24 层上做等参数等 FLOP 实验，提高 meta 比例能同时降低 loss 与冗余，Meta 75 配合 F2L2 与 Loupar 拓扑最佳，节省约 20% 到 30% 专家、15% 到 25% 计算。

心跳思考：边听边推理的实时语音代理

第十一篇让 thinker 在聆听时周期性读取最新转写并异步执行工具端点，responder 复用结果。三个语音基准上推测工具覆盖率明显提升，FD-Bench 最终响应延迟从 6.90 秒降至 4.39 秒，但任务质量结果不一，如何正确使用推测结果仍是挑战。

Policy-Mask：扩散特征的预算感知适配

第十二篇把冻结扩散模型的特征提取变成预算约束下的学习决策，联合选择时间步、网络层与固定数量通道，用教师学生蒸馏，推理只保留 128 通道学生。ADE20K 等分割任务超过全宽固定提取约 1.2 至 1.6 mIoU，Cityscapes 95.2、SPair-71k 76.3。

Code2Video-Compass：用代码生成视频的可靠性

第十三篇构建 2104 个任务，覆盖 T2V、I2V、V2V 与三级复杂度，用 12 项客观加 5 项主观指标评测。Claude Opus 5.5 平均排名领先，但执行可靠性与视频质量并不总一致，复杂任务、长代码与多文件依赖是主要瓶颈，token 成本不能可靠代表质量。

Cola2：连续语义压缩与离散生成协同

第十四篇讨论分层语言生成中连续语义压缩与离散解码器利用，用压缩 VAE 动态切分语义片段、掩码扩散解码器生成、flow matching 学先验。动态分段优于固定长度，扩散梯度需停止回传以免潜变量取巧，346B 总参数下八任务均分 60.10。

视频深度研究报告基准与全期收束

第十五篇提出以视频为中心的深度研究报告生成任务，覆盖 50 个中英文任务、17.1 小时视频、6414 条评分标准。智能体演示效果平均 81.8 分，但内容仅 45.4、引用 47.8，最佳系统 Claude Opus 5 总分 63.3。主持人总结后引导订阅与关注小红书账号。