最新 AI 论文盘点（2026-04-27）：5 篇新作看 Agent 世界模型、低成本 scaling law、多图理解、长尾 3D 重建与 LLM 水印

昨天这批论文如果放在一起看，我觉得有一条很清晰的共线：

AI 研究正在越来越少地只比“能力上限”，而是在更认真地处理系统真正进入现实环境后会遇到的硬约束。

这些约束是什么？

• 训练预算不是无限的，scaling law 本身也得讲成本
• Agent 不只是会生成文本，还得能预测环境、理解反馈、修正世界模型
• 多图视觉理解不是把几张图一起喂进去就算完成，真正难的是跨图一致性和对象恒常性
• 真实世界的 3D 重建不是每个场景都像热门地标一样有海量高质量图片，更多是稀疏、噪声、长尾
• 模型生成内容进入真实分发链路之后，出处追踪和版权归属问题也开始越来越绕不过去

所以昨天我挑的这 5 篇，不是单纯挑“headline 最大”的，而是尽量挑那些能反映系统瓶颈正在怎么变化的工作。

分别来自：

• Agent / 世界模型综述
• scaling law 与实验预算
• 多图 MLLM 训练
• 长尾 3D reconstruction
• LLM watermarking

它们方向看起来挺散，但拼起来恰好能看到一个趋势：

下一阶段 AI 的竞争，不只是模型更强，而是谁更懂得把预算、环境、证据、一致性和可追踪性这些现实因素一起纳入系统设计。

---

1）Agentic World Modeling：Agent 真正缺的，可能不是更多工具，而是更像样的世界模型

• arXiv：2604.22748
• 标题：Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
• 方向：Agent / world model / environment modeling / survey

这篇论文首先值得注意的地方，是它没有把 world model 继续讲成一个模糊大词，而是试图把不同社区对“世界模型”的理解重新整理到一个统一框架里。

作者的判断很明确：

当 AI 系统从“生成一句文本”走向“持续完成目标”时，环境动力学建模会变成核心瓶颈。

这件事在很多场景里都成立：

• 操作 GUI 的 agent
• 浏览网页和调用工具的 agent
• 多智能体协作系统
• 科学发现与实验设计系统
• 需要长期交互和反馈修正的任务型助手

论文提出了一个很有用的 “levels × laws” taxonomy。

它把能力分成三层：

• L1 Predictor：学一步局部转移
• L2 Simulator：做多步、动作条件下的 rollout
• L3 Evolver：预测失败后还能根据新证据修正自己的模型

同时又把约束来源分成四类“law”：

• physical
• digital
• social
• scientific

这个框架的价值不只是分类漂亮，而是它在提醒一个现实问题：

不同 agent 场景失败的原因并不一样，因为它们所处环境的“规律类型”就不一样。

比如：

• 机器人要服从物理规律
• GUI agent 要服从软件界面状态转移
• 社交模拟要面对社会规范和多主体行为
• 科研 agent 要符合科学约束与实验反馈

论文还系统整理了 400 多篇相关工作和 100 多个代表性系统，这让它更像一篇路线图，而不只是普通 survey。

我觉得这篇最重要的启发是：

Agent 能不能做好，不只是“会不会调用工具”，而是它有没有足够好的环境预测结构，能在行动前形成有效预期，并在行动后修正预期。

如果你最近在看 browser agent、GUI agent、多智能体 simulation，这篇会很值得放进阅读清单。

---

2）Spend Less, Fit Better：scaling law 不是只能靠“先烧很多钱再拟合”

• arXiv：2604.22753
• 标题：Spend Less, Fit Better: Budget-Efficient Scaling Law Fitting via Active Experiment Selection
• 方向：scaling law / experimental design / budget-aware training

这篇论文抓住的是一个常被忽略但其实很贵的问题：

大家都喜欢用 scaling law 规划大模型训练，但为了把 scaling law 拟合出来，本身就要先做一堆昂贵实验。

也就是说，scaling law 看起来是在帮你省钱，但它自己的“学费”可能就已经很高了。

作者把这个问题重新表述成：

• 有一堆候选实验
• 每个实验成本不同
• 预算有限
• 目标不是把所有点都跑了，而是让你在高成本目标区间的外推最准确

这个重构很重要。

因为它把 scaling law 拟合从“数据分析问题”改成了一个更现实的：

预算约束下的序贯实验设计问题。

他们提出的方法是 uncertainty-aware 的主动选择策略，核心想法是把预算优先花在那些对目标区间外推最有帮助的实验上。

结果也很有意思：

• 在一组多样化 scaling-law 任务上
• 它通常只用大约 10% 总训练预算
• 就能逼近用全量实验拟合时的效果

我觉得这篇论文最大的价值，不只是“又一个更好的拟合算法”，而是它在提醒大模型工程里一个越来越关键的事实：

随着训练成本越来越高，连“为了做判断而做的小实验”都必须开始讲 ROI。

未来很多训练决策可能都要这么看：

• 不是先做完再分析
• 而是边做边决定下一笔预算最该花在哪里

这类思路对配方搜索、蒸馏设计、后训练实验，其实都很有迁移价值。

---

3）CGC：多图理解真正难的，不是看到多张图，而是别把对象关系看串了

• arXiv：2604.22498
• 标题：Compositional Grounded Contrast for Fine-Grained Multi-Image Understanding
• 方向：MLLM / multi-image understanding / grounding / RL-based reward

这篇论文切的是我一直觉得很关键、但还没被充分解决的问题：

MLLM 在单图上看起来已经挺强，但一到多图细粒度理解，还是很容易出错。

典型问题包括：

• spatial hallucination
• attention leakage
• object constancy 失败

也就是：

• 图 A 的属性跑到图 B 身上
• 模型注意力被相似背景带偏
• 同一个对象换个视角后，模型就认不出来是不是同一个

论文提出的 CGC（Compositional Grounded Contrast）有两个值得关注的点。

第一，它尽量避免昂贵人工标注和大规模 CoT 合成

作者不是重新大规模造多图标注数据，而是建立在已有单图 grounding 标注之上，去构造组合式多图训练样本。

这点很务实。

因为多图数据如果完全手工标注，成本会非常高，而 MLLM 训练现在本来就已经很烧资源。

第二，它把“跨图对比”和“图内对比”都显式做了

CGC 用了两类构造：

• Inter-Image Contrast：加强跨图辨别，避免不同图里的语义混淆
• Intra-Image Contrast：增强跨视角或相关样本下的对象恒常性

此外，它还在 GRPO 框架里加入了一个 Rule-Based Spatial Reward，去强化：

• source-image attribution
• spatial alignment
• structured output validity

这点很重要。

因为很多 MLLM 的问题不是“完全没看见”，而是：

它输出时没有足够强的结构约束，所以容易把看到的东西组织错。

实验上，CGC 在多图 benchmark 上拿到不错结果，还对更广泛的多模态任务有迁移增益。

我觉得这篇论文最值得带走的判断是：

多图理解不是简单地把上下文长度拉长，而是必须显式解决跨图归因、空间一致性和对象恒常性。

如果这几点不单独建模，模型很容易“每张图单看都像懂了，合起来反而开始乱”。

---

4）MegaDepth-X：3D 重建下一个难点，不是热门地标，而是互联网图像分布的长尾部分

• arXiv：2604.22714
• 标题：Long-tail Internet photo reconstruction
• 方向：3D vision / reconstruction / sparse-view / foundation model finetuning

这篇论文讨论的是一个特别现实的 3D 问题。

我们过去看到很多 3D reconstruction 系统效果很好，往往默认数据条件是：

• 某个著名地标
• 有大量照片
• 拍摄角度丰富
• 图像质量相对稳定

但现实世界大部分场景并不满足这些条件。

真正更普遍的情况其实是：

• 图像稀疏
• 质量参差不齐
• 拍摄视角很不均匀
• 纹理重复、对称结构多
• 没什么可用的可靠几何监督

作者认为，这个“long-tail regime”才是 3D foundation model 接下来必须认真处理的区域。

他们的核心思路是：

虽然长尾稀疏场景本身很难拿到干净监督，但可以从那些已经重建得很好的热门场景里，主动采样出“像长尾一样稀疏”的训练子集。

基于这个想法，论文做了两件事：

• 提出 MegaDepth-X 数据集
• 设计一种采样策略，让训练图像集更接近长尾场景中的相机分布

然后再用这些数据去微调 3D foundation models。

结果是：

• 在极端稀疏条件下重建更稳
• 在对称和重复结构场景下也更可靠
• 同时还能保持对标准 dense benchmark 的泛化

这篇论文真正吸引我的地方，是它非常典型地体现了一个趋势：

很多“模型不够强”的问题，最后发现不是 backbone 不够大，而是训练分布没有覆盖真实世界最难、最常见的尾部情况。

这对 3D 方向是这样，对自动驾驶、机器人、文档理解、长尾 OCR，其实也都类似。

换句话说：

不是 benchmark 上最亮眼的部分最值得担心，而是那些过去被默认忽略的长尾条件，才最可能决定系统能不能落地。

---

5）SSG：LLM 水印在低熵生成里为什么容易失效？问题可能出在词表划分方式

• arXiv：2604.22438
• 标题：Logit-Balanced Vocabulary Partitioning for LLM Watermarking
• 方向：LLM watermarking / code generation / math reasoning / security

LLM watermarking 这条线最近越来越值得关注。

因为只要模型生成内容开始真正进入：

• 内容平台
• 教育场景
• 代码生成链路
• 企业写作与审计系统

“这段内容是不是模型生成的、来自哪个模型体系”这类问题就会越来越现实。

这篇论文讨论的是经典 KGW watermarking 方案在低熵场景下失效的问题。

所谓低熵场景，最典型的就是：

• 代码生成
• 数学推理

这类任务的 token 分布通常更尖锐，模型在每一步可选空间没那么大。

于是 watermark 能插手改动 token 选择的余地就会变小，导致可检测性下降。

作者把这个现象提炼成一个挺关键的概念：

watermark strength 与 next-token probability distribution 强相关。

这意味着，问题不只是“有没有打水印”，而是：

• 当前 token 分布下，水印到底有没有足够操作空间

他们提出的 SSG（Sort-then-Split by Groups）做法，本质上是在重新设计词表划分方式，让两个候选子集在 logit 上更平衡。

这样做的目标是：

抬高每次 token 预测时 watermark strength 的下界。

直白说，就是尽量保证：

• 即使在低熵生成里
• 也还能留出一点可控空间给水印信号

实验显示，它在代码生成和数学推理任务上能提升水印可检测性。

这篇工作让我觉得很有意思的一点是：

它不是在做特别宏大的“AI 安全叙事”，而是很具体地盯住了一个工程事实：

你能不能打上稳定水印，取决于采样空间有没有被任务本身压得太窄。

这类工作以后可能会越来越重要，因为水印技术如果只在开放式聊天里有效、但一到代码和推理场景就失效，那实际可用性会非常有限。

---

最后总结

昨天这 5 篇论文如果放在一起看，我觉得最值得注意的不是它们各自所在的小方向，而是它们共同指向的一种系统化倾向：

• Agent 不再只是“会不会调工具”，而是要不要有环境模型
• scaling law 不再只是“拟合一条漂亮曲线”，而是预算怎样更值钱
• MLLM 不再只是“能不能看多张图”，而是跨图归因是否稳定
• 3D 重建不再只是“头部 benchmark 多高”，而是长尾场景能不能扛住
• LLM watermarking 不再只是“理论上可行”，而是低熵任务里还是否有效

这些问题有个共同点：

它们都在把 AI 研究从“能力展示”推向“系统条件下的真实可用性”。