今日概览
- 腾讯用一个VLM统一了机器人的感知和规划，释出2B端侧+32B推理双规格模型，模块化pipeline的复杂度优势可能不再成立
- 扩散语言模型的并行解码效率提升近3倍：DMax用连续embedding插值替代二值跳变，两块H200跑到每秒1,338 token
- Agent的核心瓶颈不是工具太少，是调用太多。HDPO将精度与效率拆成正交通道，工具调用量降几个数量级而准确率不降
- 文生视频的计数问题有了training-free解法——NUMINA从attention头反推物体布局再修正，直接插到Wan2.1上无需重训
- 多任务RL的reward分布差异有了系统解法，G²RPO将每个任务的advantage归一化到N(0,1)，18个benchmark超越同级开源模型
重点关注
01 机器人 机器人需要专用视觉模块吗？腾讯说不用
Embodied AI领域过去几年流行模块化架构——感知、规划、控制各一个模型，拼成pipeline。腾讯HY-Embodied走了相反的路：用一个VLM（视觉语言模型）统一处理空间感知和任务规划，然后直接接VLA（视觉语言动作模型）做控制。具体释出两个规格：2B激活参数的小模型面向端侧部署，32B激活参数的大模型处理复杂推理，大模型通过on-policy蒸馏把能力灌给小模型。架构上用了MoT（Mixture-of-Transformers），让不同模态走不同的计算路径，缓解视觉和语言互相抢容量的问题。22个benchmark的结果看着不错——2B模型在16个上超过同级SOTA，32B接近Gemini 3.0 Pro——但embodied AI的跑分和真机表现之间的距离是出了名的大，他们给出的真机实验细节还需要看全文确认。对从业者来说，更值得关注的是这个架构选择本身：如果VLM够强，模块化pipeline的复杂度和维护成本可能不再值得承受。
原文：HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents
02 推理加速 扩散语言模型终于敢「全速并行」了？
扩散语言模型（dLLM）的尴尬在于：理论上能并行生成所有token，实际上并行度一拉高就错误累积、质量崩塌。DMax的核心洞察是把解码过程从二值跳变（mask直接变token）改成连续自优化——每一步的解码状态是预测embedding和mask embedding的插值，模型在embedding空间里逐步「提纯」，而不是赌一步到位。配合新的训练策略（On-Policy Uniform Training），模型学会了修正自己的错误预测，这才是激进并行的真正前提。效果很实在：GSM8K上每步有效生成token数从2.04提到5.47，MBPP从2.71到5.86，两块H200单batch跑到每秒1,338个token。
原文：DMax: Aggressive Parallel Decoding for dLLMs
03 Agent 最该学的不是调更多工具，而是克制
Agent调工具太频繁不是bug，是系统性的元认知缺失。现有多模态Agent存在「条件反射式工具调用」——明明从图像就能获取答案，还是会调外部API，导致延迟飙升和噪声累积。现有RL方案用标量惩罚来抑制过度调用，但这产生了两难：惩罚太重压制必要调用，太轻又被精度奖励的方差淹没。HDPO把精度和效率拆成两个正交优化通道——先确保任务做对，再在正确轨迹里优化调用效率，训练出的Metis模型工具调用量降了几个数量级，准确率不降反升。方向扎实，但从摘要看训练依赖合成反事实数据，泛化到开放场景的效果需要看全文确认。
原文：Act Wisely: Cultivating Meta-Cognitive Tool Use in Agentic Multimodal Models
04 视频生成 Attention头里其实藏着可数的物体布局
NUMINA的思路挺巧妙：文生视频模型的self-attention和cross-attention头里，其实已经编码了物体的空间布局信息——只是模型自己用不好。NUMINA在推理阶段挑选出判别力最强的attention头，从中反推出一个可数的latent布局，发现数量不对时就保守地修正这个布局，再通过调制cross-attention引导重新生成。这个方案不改模型、不重训，直接插到Wan2.1系列上，在1.3B模型上计数准确率提升7.4%，5B和14B模型上也有4.9%和5.5%的提升，同时CLIP对齐分数也有改善。不过training-free方案的通病是：简单场景效果明显，复杂场景（物体遮挡、动态交互）的鲁棒性需要更多验证才能下结论。
原文：When Numbers Speak: Aligning Textual Numerals and Visual Instances in Text-to-Video Diffusion Models
05 多模态 当不同视觉任务的reward量级差了一个数量级，混训会怎样？
拿OCR准确率和几何推理准确率直接混在一起做RL训练，reward分布差异会让某些任务主导梯度更新——这是多模态模型用GRPO做强化学习时绑不住的结。OpenVLThinkerV2提出的G²RPO用了一个数学上很直觉的解法：把每个任务的advantage分布强制归一化到标准正态分布N(0,1)，让不同任务的梯度贡献在同一量级上。在此基础上加了两个任务级调控：对复杂推理任务鼓励长链思考，对视觉定位任务强制短输出；同时用熵约束防止探索过度发散或坍缩。18个benchmark的评测显示效果优于同级开源模型和部分商用模型，但摘要没给具体数字对比，需要看全文确认提升幅度。
原文：OpenVLThinkerV2: A Generalist Multimodal Reasoning Model for Multi-domain Visual Tasks
也值得关注
今日观察
今天10篇highlight里5篇是agent论文，但拆开看会发现一个有意思的分布：没有一篇在构建新的agent能力。
ClawBench拿153个日常任务和144个真实网站测了一圈，结论是最强模型的成功率也不到一半。KnowU-Bench测的不是agent能不能做，而是能不能判断什么时候不该做。Act Wisely直接对准了「条件反射式工具调用」——HDPO训练后工具调用量降了几个数量级，准确率反而上升。MolmoWeb释出完全开源的web agent baseline，Structured Distillation用3000条轨迹把Gemini 3 Pro的能力蒸馏进9B模型，六个web环境上接近甚至超过teacher。
五篇分别在做的事情是：测量边界、定义克制、降低成本。没有人在扩展能力。
同一天，非agent领域画风不同。DMax把扩散LM的并行效率提了近3倍，NUMINA在不改模型的前提下修正了视频计数，OpenVLThinkerV2解决了多任务RL中reward分布不可比的老问题。这些论文仍在正面推高性能上限。
对搭agent的团队，一个具体建议：在投入下一个工具集成之前，先拿ClawBench或类似框架跑一遍现有系统，量化「哪些任务根本不需要调工具」。Act Wisely的数据表明，砍掉冗余调用带来的收益可能比加新工具更直接。