📅 本期为 ArXiv 2026-09-07（Mon, 7 Sep）公告批次的补遗三（该批次去重后 415 篇候选）。截至北京时间 2026-09-09 06:00，arXiv 网页端最新公告仍停在 Mon, 7 Sep，各分类当日条数与上一期一字不差（cs.CV 110 / cs.RO 41 / cs.AI 205 / cs.LG 137 / cs.GR 5 / cs.MM 7），且 ID 前沿探测显示 2609.05500 起全部 404 —— 周二投稿尚未分配编号，本期如实说明、不重复出同一天。 ...
来源：量子位（克雷西（发自 凹非寺）） · 2026-09-08 · 原文链接 分类：技术发布 / 工业具身智能（主线强相关：ActiWorld 直接对话"未来信息形态"线索） ...
📅 本期覆盖 ArXiv 2026-09-07（Mon, 7 Sep）公告批次（共 415 篇去重后候选），共 8 篇。本期主线是世界模型从「生成得像」转向「可控且物理可信」：一方把确定性仿真器前置为世界状态的裁决者，视频生成只负责把已确定的物理轨迹渲染成观测；另一方则在潜空间里追问「表征是否真的编码了物理量」，用频谱目标直接治理 JEPA 类模型的物理表征惰性。触觉被正式纳入世界—动作模型的闭环，VLA 的评测与后训练则同时向「复杂度诊断」和「真机在线 RL」两端拉开。 ...
来源：机器之心 · 2026-09-07 · 原文链接 分类：技术发布 / 具身智能（主线强相关） 一句话概括 芝诺机器人（Zeno AI）发布 3B 参数、30Hz 本地闭环的 Zeno-1，让每台机器人各自跑同一份策略副本、不通信不调度，靠「闭环伙伴交互（CPI）」在真实物理环境里互为训练伙伴自学协作——协作行为不是模仿人类演示得来的，是从共享物理世界的闭环里涌现出来的。 ...
📅 ArXiv 在周末不做公告推送，而周一（9/7）批次按惯例要到北京时间 9/8 凌晨才会上线，因此本期为周末补遗二：继续从 2026-09-04 公告批次中补选 8 篇高相关、此前未及收录的工作（均通过 arXiv ID 与标题双重去重）。本期主线落在四条：世界模型正在从"堆更大的生成器"转向"精确切分信息流"——冻结模型只优化动作、按去噪阶段分配监督、把物理仿真与离线渲染解耦；视频生成的经验性玄学开始被量化成可设计参数（相机步长阈值、量化位宽与阶段的对应关系）；VLA 的鲁棒性焦点从"多加数据"转向"理清每个传感器该负什么责"，并首次把触觉纳入跨本体验证；空间智能则出现了不绑定主干的免训练外挂路线，共 8 篇。 ...
📅 ArXiv 在周末不做公告推送，本期为周末补遗：从 2026-09-04 公告批次中补选 8 篇高相关、此前未及收录的工作（均通过 arXiv ID 与标题双重去重）。主线落在四条：世界模型在自动驾驶中正从"推理时生成未来"转向"训练时提供监督 / 想象时保持长程一致"；VLA 的能力瓶颈从"预训练表征够不够丰富"转向"中间特征是否control-sufficient、能否感知物理接触"；数据侧出现"横向扩展来源"与"纵向在线纠错"两个互补杠杆；而评测与空间智能方向则集中出现了把模糊失败模式拆解到具体部件的漂亮诊断工作，共 8 篇。 ...
来源：a16z（公众号）（a16z human five（主持人 Martin Casado）） · 2026-09-05 · 原文链接 分类：世界模型 / 空间智能（高度相关） 一句话概括 World Labs 三人组把 Atlas 的核心原语定义为 new view prediction（新视角预测），并宣称它与 next-token prediction 等价、同属 AI-complete——用"相机位姿作为模型原生输入"统一了此前分裂的像素生成与 3D 重建两条赛道，把稀疏重建的拍照量降低 50–100 倍，并通过收购 SceniX 把这条线接到 Real-to-Sim-to-Real 的机器人数据闭环上。 ...
📅 本期精选来自 2026-09-04 ArXiv 最新论文，聚焦世界模型从"预测未来帧"走向"显式建模世界状态"的范式迁移：物理/几何/外观被提升为可联合建模的原生状态，相机可控性成为跨越生成与控制的统一接口，想象力本身开始被"调度"以压缩 VLA 后训练成本，而 3D 记忆与 4D 分解则分别在长程一致性与空间推理上给出新的可验证约束，共 8 篇。 ...
📅 本期精选来自 2026-09-03 ArXiv 最新论文，聚焦交互式视频世界模型的"开放基座"化、把 3D 几何注入世界动作模型、VLA 跨本体迁移的量化归因、长程操作中语义意图与连续控制的解耦、世界模型在人形运动中的预测性表征价值，以及世界模型训练目标从"重建得像"转向"判别得出"的范式迁移，共 8 篇。 ...
来源：3D视觉工坊 · 2026-09-03 · 原文链接 一句话概括 把相机位姿做成原生输入的全能世界模型，单图生成可自由探索的 3D 世界并直出点云与 3DGS 核心要点 定位转变：从"生成像素"到"理解空间"。Atlas 不是图像/视频生成器，而是能生成、重建、模拟任意可能世界的统一模型。核心能力一句话：从一张或几张图片出发，生成一个你可以自由探索的、物理一致的三维世界。 能力一｜相机控制生成（像素级精确的"导演模式"）。给定 1 张或多张参考图，在指定相机位姿生成新视角，与输入内容和几何一致，并平滑外推到不可见部分。支持长达 1 分钟、1440p 的视频，可逐帧设计相机路径。团队原话：“你是在导演一场戏，而不是在拉一台老虎机的杠杆。” “空间上下文"机制（与 LLM 的类比）：Atlas 先把输入编码成一个 spatial context，再基于它生成输出；每张图像都被锚定在三维空间中的具体位置。可以把两张毫无关联的参考图放进同一个空间上下文，Atlas 会生成在两者间平滑过渡的世界——“想象"出门廊、走廊、壁龛来连接两个场景。 能力二｜空间重建。从 1 到几十张图重建真实场景，不需要专业采集设备或密集视图。“所见越多，想象越少”：单图时靠世界知识脑补，图越多重建越精确；只用两三张就能给出可信重建，效果甚至超过专门为 3D 重建训练的模型。演示中：一张花园地面照 → 生成鸟瞰视角；加第二张（小屋）→ 同时出现但仍"想象"左侧房子；加第三张（主屋）→ 整个场景精确还原。 原生显式 3D 输出：点云（几何结构）+ 3D 高斯泼溅（可高分辨率、高帧率在设备上渲染的完整场景）。从单张图就能联合生成新视角并估计几何，直接输出完整 3D 世界。 能力三｜时空模拟（空间+时间）。① “子弹时间"平民化：只用 3-5 台普通手机摄像头就能冻结时间、任意角度回放事件（以前需专业多相机阵列）；② 机器人仿真新范式：重建只是第一步，模拟机器人移动时 Atlas 还能生成其传感器会观察到的 RGB 和深度数据——世界和机器人的视角来自同一个模型。团队用手机视频拍两个大型环境（每段仅 24 帧重建），再模拟不同类型机器人沿不同路径导航，生成机器人身上相机视角的图像；③ 机械臂操作：从几次随意录像构建同时捕捉物体如何移动和交互的仿真环境，建好后可轻松变化物体、位置、机器人运动、光照、背景，生成多样化训练数据与测试环境。 能力四｜图像生成（“副产品”）。能遵循复杂提示、渲染文字、生成多种视觉风格，可从文本或图像生成 360° 全景图。 技术内核：多模态自回归扩散 Transformer（multimodal autoregressive diffusion transformer）。 多模态：原生处理文本、图像、相机位姿、3D 深度图；每张图像与深度图都关联一个显式相机位姿，使空间控制成为架构的核心组件。 自回归：按序列顺序逐个生成输出，每个任务本质是一种不同的序列模式。 扩散：修正流（rectified flow）模型，逐步去噪，推理时可调去噪步数权衡速度与质量。 Transformer：以大规模矩阵乘为主，适配现代硬件。 融合 LLM 与视频模型思想：像 LLM 一样可用 KV-caching、缓存感知路由加速；像视频模型一样可用扩散蒸馏、无分类器引导。 关键差异 + 评测：Atlas 把相机作为原生输入类型，而非通过文本描述相机运动。第三方人类评估者判断其在相机控制生成上优于近期视频模型，且优势随相机轨迹变复杂而扩大；在 3D 重建任务上也超越最优秀的开源专用重建模型。 Scaling 观察：从零预训练，发现随模型规模和训练计算增加，每个新阶段都解锁新的模型能力；团队相信趋势会持续。 状态与展望：目前与选定合作伙伴进入早期访问阶段，未来版本将驱动 Marble 等产品。范式上从"为每个任务造一把专用钥匙"转向"造一把能开很多锁的万能钥匙”；工作流可能从"采集大量数据→后处理→重建"变为"拍几张照片→让模型生成一个完整世界”。 金句 “如果说传统视频生成模型是在「生成像素」，那 Atlas 做的则是「理解空间」。” ...