最新 AI 论文盘点（2026-04-11）：5 篇新作看个性化对齐、Agent 在线训练、病理路由与视频运动控制

昨天这批论文如果放在一起看，有一个很明显的共同点：

大家越来越少在比“谁的 headline 更大”，而是在比谁更能把系统里的真实瓶颈拆清楚。

比如：

• reward model 到底懂不懂用户个人偏好？
• Agent 在线训练真正浪费的是模型能力，还是环境样本？
• 视频生成里的“控制”为什么常常看起来能动、但就是不听指挥？
• 病理 WSI 里的 MoE 为什么总容易退化成少数专家在干活？
• 低资源翻译里，把规则写进 prompt，模型就真的能稳定执行吗？

这类问题有一个共同特征：

它们都不是“规模再大一点”就一定能自动解决的。

昨天我挑 5 篇来盘，分别来自 LLM 对齐、Agent、视频生成、计算病理和机器翻译方向。它们未必每一篇都会成为最热话题，但都很适合判断：未来系统真正卡住的位置到底在哪。

1）Personalized RewardBench：reward model 离“理解个体偏好”还差多远？

• arXiv：2604.07343
• 标题：Personalized RewardBench: Evaluating Reward Models with Human Aligned Personalization
• 方向：LLM 对齐 / reward model / 个性化偏好评测

这篇论文瞄准的是一个过去很容易被“平均分”掩盖的问题：

一个 reward model 在通用偏好评测上表现不错，是否就代表它真的理解不同用户之间的偏好差异？

作者给出的答案并不乐观。

他们提出了 Personalized RewardBench，核心不在于再做一个普通偏好基准，而是刻意把问题改成：

• 两个回答都不差
• 区别主要来自是否符合某个具体用户的个人 rubric
• 模型需要区分“普遍可接受”与“这个人真正更喜欢哪个”

实验结果显示，当前最强 reward model 在这项任务上的准确率峰值也只有 75.94%。

这说明通用对齐和个体对齐不是一回事。

如果你在做个性化助手、AI 陪伴、企业风格化 agent、reward reranking 系统，这篇论文很值得看。

2）Android Coach：在线 Agent 训练的关键，不一定是更多 rollout，而是把昂贵状态榨干

• arXiv：2604.07277
• 标题：Improve Online Agentic Training Efficiency with Single State Multiple Actions
• 方向：Agent / 在线强化学习 / Android 智能体

这篇论文抓的问题很现实。

现在很多 Android Agent、GUI Agent 的训练都卡在一个地方：环境交互太贵。

模拟器慢、在线 rollouts 成本高、采样效率差，导致训练非常烧资源。

作者指出，很多现有方法默认采用的是 Single State / Single Action，也就是每拿到一个在线状态，只采一个动作样本来更新策略。

问题是，这会严重浪费昂贵状态。

所以他们提出 Android Coach，把思路改成 Single State Multiple Actions。

核心包括：

• 对同一个在线状态采多个动作候选
• 用 critic 估计 action value
• 引入 process reward model 提升 critic 可靠性
• 用 group-wise advantage estimator 改进训练信号

结果上，它在 AndroidLab 和 AndroidWorld 上，相比 UI-TARS-1.5-7B 拿到了 7.5% / 8.3% 的成功率提升，并在同等成功率下实现 1.4x 的训练效率提升。

这篇论文真正值得记住的，不只是 Android Agent，而是在提醒我们：很多 agent 训练瓶颈，不一定是模型不会，而是昂贵交互样本被浪费了。

3）MoRight：视频生成里最难的不是“让它动”，而是把运动变量拆对

• arXiv：2604.07348
• 标题：MoRight: Motion Control Done Right
• 方向：视频生成 / 可控生成 / 运动控制

很多视频生成方法号称能做 motion control，但实际体验往往是：

• 物体在动
• 镜头也在动
• 场景关系也在变
• 最后用户根本说不清到底哪一部分是自己控制出来的

MoRight 这篇论文抓住的正是这个问题。

作者认为，现有方法里有两个核心混淆：

1. 相机运动和物体运动纠缠在一起
2. 运动只被看成像素位移，没有显式建模动作后果之间的因果关系

他们的做法是把 motion 更细地拆开：

• 在 canonical static-view 下指定 object motion
• 通过 temporal cross-view attention 转到目标视角
• 把 motion 分成 active（用户驱动）和 passive（后果响应）两类

这篇工作的意义不是“又一个控制视频的框架”，而是它在提醒大家：视频里的控制不是一个单变量问题。

4）ROAM：病理 WSI 的 MoE 路由，不能只靠 softmax 自己学

• arXiv：2604.07298
• 标题：Region-Graph Optimal Transport Routing for Mixture-of-Experts Whole-Slide Image Classification
• 方向：计算病理 / WSI / MoE / MIL

这篇论文对 AI 医疗、多模态病理这条线很值得关注。

它讨论的是病理全视野图像（WSI）分类中的一个长期问题。

当前很多方法还是 MIL 框架：

• 一张超大病理切片拆成很多 patch
• 模型聚合 patch 级特征做 slide-level 分类

问题在于，如果所有 instance 都走同一条共享路径，模型很难对病理异质性进行真正有区分度的建模。

MoE 看起来是自然方向，但又容易遇到另一个老毛病：softmax routing 经常失衡，最后只有少数 expert 在承担大部分工作。

ROAM 的核心思路是：

• 先把 dense patch 压缩成 spatial region tokens
• 用 entropic optimal transport 做 region-to-expert assignment
• 加容量约束，避免专家利用失衡
• 引入 graph-regularised Sinkhorn，让空间相邻区域的路由更一致

实验里，ROAM 在多个 benchmark 上表现有竞争力，并在 NSCLC 外部泛化上拿到 AUC 0.845 ± 0.019。

这篇论文比“换个更大 backbone”更值得长期关注，因为它在认真回答：病理场景下，MoE 到底应该怎么路由才不塌。

5）In-Context Translation：把语法说明塞进 prompt，不等于模型就能稳翻

• arXiv：2604.07320
• 标题：Evaluating In-Context Translation with Synchronous Context-Free Grammar Transduction
• 方向：机器翻译 / in-context learning / 低资源语言

这篇论文的切口很妙。

很多人对低资源翻译有一种直觉：如果训练数据不够，那能不能把词典、语法规则、教材式说明直接塞进 prompt，让模型“现场学会翻译”？

听起来很合理。

但问题是：模型真的会把这些形式规则稳定地转成翻译行为吗？

作者设计了一个比较干净的形式化测试：

• 用 synchronous context-free grammar 构造语言对
• 把语法规则和输入句子一起给模型
• 观察模型是否能按规则完成转导

他们系统分析了 grammar size、sentence length、morphology 差异、written script 差异。

结论很清楚：

• grammar 变大，性能下降明显
• 句子变长，性能下降明显
• 形态差异、书写系统差异都会显著拖累表现
• 常见错误包括错译、幻觉新词、保留未翻译源词

这篇论文的重要性在于，它帮很多“规则写进 prompt 就行”的乐观想法降了温。

六、把这 5 篇放在一起，昨天最值得记住什么？

如果要用一句话概括昨天这批论文，我会说：

AI 研究正在从“泛能力堆高”走向“系统失真点拆解”。

这 5 篇分别在拆不同层面的错位：

• Personalized RewardBench：通用偏好 vs 个体偏好
• Android Coach：环境成本 vs 训练利用率
• MoRight：控制需求 vs 控制接口设计
• ROAM：病理异质性 vs 路由退化
• In-Context Translation：规则可描述 vs 规则可执行

七、如果你现在在做系统，昨天最值得优先跟进哪几篇？

• 做 LLM 对齐 / 长期助手：Personalized RewardBench
• 做 Agent / GUI Agent / Browser Agent：Android Coach
• 做视频生成 / 世界模型 / 可控多模态：MoRight
• 做 AI 医疗 / 数字病理 / 多模态病理：ROAM
• 做低资源翻译 / 规则增强生成：In-Context Translation

八、最后总结

昨天这批论文给我的整体感觉不是“又一个大一统新范式来了”，而是：

研究在越来越认真地处理那些过去常被一句话带过的系统问题。

因为当研究开始认真面对：

• 偏好不是平均值
• 交互样本不是无限的
• 控制变量不是一句 prompt 就能讲清楚的
• 路由机制不是 softmax 一跑就自然合理
• 规则描述不等于规则执行

那么很多看起来更“土”的问题，反而会逐渐变成真正决定系统上限的问题。