本周五篇论文的问题线

开场交代本期对应 2026 年 10 月 25 日至 31 日，列出五个问题：机器人怎样预判未来、视频怎样保持形状、模型何时该看图、怎样接着生成一个世界。

PDRVLA：把世界模型留在训练阶段

论文问机器人是否必须在行动前生成未来视频，答案是不一定。方法用 50 个物理 token 压缩预测能力，部署时移除视频模型，实验覆盖四项模拟基准，但作者提醒分差不能全归功于小模块。

OmniShowcase：用几何桥梁保持主体一致

针对多视图视频生成中背面凭空添壶嘴的问题，作者用四张参考图做三维重建并渲染 25 帧法线转台，作为独立几何条件。方法在刚性主体展示任务上领先，但无法处理非刚体变化。

Falcon：从混合声音里看嘴分离目标人声

流式音视目标说话人提取同时处理数据与计算难点，realseasasym 变化干扰人数与噪声，Falcon 用单遍多尺度编码解码和说话人对比损失，计算量缩小约 20.2 倍，但推理时间不是系统总延迟。

浪：只在需要时重读图像

扩散视觉语言模型反复处理相同视觉 token，浪用锚点与一致前缀判断是否重读，平均解码计算量为基线 35.3%，质量指数保留 99.6%，但纯文本接受的 token 仍有 2.2% 到 4.7% 被完整看图推翻。

Hy-Nomas：用时间窗管理动作记忆

交互式世界生成需要区分持续场景描述与有时间窗的动作指令，避免旧命令重复执行又不丢失场景。系统用视觉语言 prompt inhanser 转结构化条件，人类评价显示交互有进展但长期空间一致性未解决。

共同线索：信息该在何时出现

结尾归纳五篇论文的共同点：感知、预测和控制的进步来自更清楚地安排信息——什么该保留、什么只在训练时使用、什么时候才需要重新计算。