今日概览
- 视觉推理过程开始变得可训练、可验证，VBVR-Pro以300个程序化任务和任务专用评分器比较图像、视频与交错生成等推理载体。
- 文档检索可按查询联合选择模态与架构：RetrievalRouter相较最佳静态基线将准确率提高2.5%，同时提速12.4倍。
- 代码可以承担世界规则和状态演化。Code World Model将可执行动力学与视觉渲染解耦，但当前证据仍局限于简单交互场景。
重点关注
01 评测 当图像和视频变成推理草稿纸
视觉状态不再只是输入或输出，而是模型解决问题时持续改写的「草稿纸」。VBVR-Pro真正有意思的地方，是用300个程序化生成任务、确定性的任务规则和可验证奖励，把这种原生视觉推理从展示性案例变成可规模训练的工程对象。它还提供了一个难得的受控试验场：在30多种图像、视频和交错生成器之间比较后，视频更擅长持续追踪时空状态，而交错生成可能是更省算力的替代方案。相比让视觉语言模型充当裁判，任务专用评分器也更适合提供细粒度反馈，并直接服务于多任务强化学习。摘要还报告了模型向7个外部视觉推理基准的迁移，以及可能存在「视觉原生推理轨迹」的探测证据，不过这些结果的强度和适用边界仍需看全文确认。对开发者而言，VBVR-Pro的价值首先是建立出题、验证和公平比较的基础设施，而不是仅凭摘要就宣告视觉推理能力已经突破。
原文：VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning
02 检索 文档检索不必为所有查询支付同一笔成本
在金融、医疗和法律场景里，检索管线可以从「一套配置跑到底」转向按查询调度：只根据查询文本，决定该看纯文本还是页面视觉，以及使用稠密检索还是晚交互。RetrievalRouter把这两层选择交给一个轻量路由器，并用单个参数调节质量与延迟的取舍，让简单查询走便宜路径、复杂查询调用更强管线。摘要报告称，相比最佳静态基线，它的准确率提高2.5%，同时快12.4倍，说明按需分配计算可能比继续堆高单一检索器更划算。更重要的工程变化是，团队可以围绕延迟预算设计多个运行档位，而不必在部署前永久选定「最快」或「最准」的方案。不过结果目前来自金融与科学语料，能否稳健迁移到医疗和法律，以及路由错误会不会漏掉关键证据，仍需看全文和更多高风险场景验证。
原文：RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval
03 模型架构 世界模型不只要会「拍下一帧」，还得记住规则
视频世界模型擅长生成看起来合理的后续画面，却很难持续维护物体状态、规则和事件后果。Code World Model把这两件事拆开：编码智能体生成可执行代码，负责更新世界状态；视频模型则根据中间代理表示，把演化结果渲染成画面。这种解耦的价值在于，规则一致性不再完全依赖视频模型隐式记忆，也让持久状态更容易检查和修改。不过目前结果主要来自简单交互世界和配对游戏数据，只能说明视频模型能够遵循代码产生的时空约束，尚不足以证明「世界大脑」或开放式演化已经实现。对构建游戏模拟器、交互式视频或具身环境的团队而言，值得关注的是这套「代码管动力学、生成模型管视觉」的工程分工，而不是它的宏大命名。
也值得关注
今日观察
VBVR-Pro把图像和视频变成可验证的推理状态，Code World Model让代码承载世界规则，RetrievalRouter则在文本与视觉证据、不同检索架构之间作出选择。三者并不足以证明行业已经形成确定趋势，却共同暴露了一个容易被终点准确率掩盖的问题：状态、规则和证据未必适合被压进同一种token接口，表示边界本身也会产生计算成本、信息损失和一致性风险。系统看似获得了更强的推理能力，也可能只是把复杂度转移到视觉状态与评分器、代码与渲染器、查询与检索器之间的转换环节。实践中应为每条跨表示链路建立独立指标，至少记录转换延迟、信息保真度和状态一致性，并在下一轮评测中加入接口消融实验。