主动找视角,最强模型仅12%

重点关注

01 机器人 给它一张目标照片，让它自己挪到能拍出这张图的位置

给基础模型一张目标视角的照片，让agent在3D房间里自己转头、迈步，一直移动到眼前的画面和照片对上为止——这件事人类下意识就能做，但模型几乎做不到。这篇提出的新任务TVR（目标视角复现）把空间智能从「看现成的图被动理解」翻成了「为了看清而主动移动」，配套开源了室内仿真benchmark TVRBench。结果相当扎心：最强的开源和闭源模型成功率分别只有7.8%和12.0%，远未解决。论文还拆出了两个一致的卡点——模型处理多轮视觉历史很吃力，而且一旦复现视角需要身体平移（而非原地转头）成绩就断崖式下跌，暴露了「把空间差异映射成具身动作」这一环的能力缺口。更有意思的是他们的post-training配方：视觉-动作SFT是主要功臣，把一个9B开源模型从个位数拉到50.8%，多轮GRPO再补上多房间的精修到51.4%；反倒是CoT监督和单轮GRPO会损害闭环表现——在这类需要连续决策的任务上，「先想清楚再动」未必比「边动边学」更管用。

原文：Where to Look: Can Foundation Models Reach a Target Viewpoint Through Active Exploration?

02 推理加速 给长文档「瘦身」，能不能不牺牲代码推理？

把10万token的输入塞进模型前，先压缩掉一部分再做prefill，是降低长上下文开销的常见思路。问题是现有那批免训练（training-free）的注意力压缩方法，在简单检索任务上还行，碰到代码调试这类需要真正推理的任务就明显掉点。LongAttnComp的做法是不再完全免训练——它只微调一个轻量的cross-attention打分层来决定哪些token该留，配上token级分块、token预算的top-p选择和位置重排。最值得注意的是「跨家族」这一点：同一个压缩器训练好之后，能直接迁移到三个不同家族的四个目标模型上，而不是绑死在某一个模型。结果上，InfiniteBench代码调试任务里压缩后的准确率追平甚至超过不压缩的全上下文，多文档推理也基本补回了第一阶段的差距——不过这些都是论文自报的benchmark结果，迁移到自己的真实场景能保住多少，需要实测确认。

原文：LongAttnComp: Cross-Family Context Compression for Long-Context Reasoning

03 代码智能 让VLM写代码捏3D模型，到底卡在哪一步

神经网络生成的3D资产有个老毛病：不确定、难编辑、拿到引擎里还得返工。用代码做程序化建模能绕开这些——输出是确定的、参数可调、引擎直接能用，代价是得懂3D软件API、参数化设计和几何推理，门槛不低。3DCodeBench系统性地把12个视觉语言模型(VLM)丢进真实建模软件里，让它们把文字和图片翻译成生成3D内容的代码，再用人类两两偏好打分(3DCodeArena)来评判结果好坏。测出来的能力边界挺具体：失败大多卡在API用错(调了不存在或不匹配的接口)，而就算渲染成功，几何件之间也常常断开或者悬空。好消息是test-time scaling有效——给更多思考预算、多轮迭代修正都能整体提升，但这恰恰说明模型缺的是高质量的程序化代码数据，以及一个能给出高保真反馈、让它边试边改的执行环境。

原文：3DCodeBench: Benchmarking Agentic Procedural 3D Modeling Via Code

04 Agent 技能适配的差距，正从「改不改」转向「改得准不准」

免训练的技能适配有个一直没被认真处理的细节：agent失败时，多数方法是从整条轨迹或会话级反馈里去改技能——知道这次任务挂了，却说不清是哪一步、哪个技能的责任，结果改得不稳，甚至越改越宽。SkillAdaptor把归因下沉到step级别：先定位第一个「可纠正」的错误步骤，把责任挂到具体的候选技能上，再在显式的接受检查下做定向更新，骨干模型全程冻结。在WebShop、PinchBench、Claw-Eval三个套件、三个模型上都稳定好于no-skill和已有的技能适配基线，但单项最大提升也就+1.5到+1.8分。增量有限，所以真正值得关注的不是分数，而是「可审计」——每次改技能都能对应到具体的失败步骤，而不是一次黑箱式的整体重写。

原文：SkillAdaptor: Self-Adapting Skills for LLM Agents from Trajectories