PAPER NOTES · 论文深读 · 2026.10.18
不训练新模型，视频补线索让七项评测均提升 · 从论文到工程系统的拆解笔记
做多图问答的开发者，常遇到一个难题：图片拍到了起点和终点，却没拍到中间怎么动；看得到眼前场景，却不知道机器人站到另一边会看到什么。CoWorld Reasoner 的办法，是按问题生成视频，补充推理线索，再结合原图回答。
不想通读全文的话，结论和判断都在文末，拉到最下面就行。
作者报告，最强配置在七项基准上都超过同一模型直接作答。但先记住边界：生成视频是待检验的假设，不是真实观测。
本文依据论文 v1，标注日期为2026年10月15日，PDF页眉另标10月14日。下文是作者公布结果，不是千哥AI实测；论文转引的第三方成绩，也不是对本方法的独立验证。
CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness 首页截图｜来源：https://arxiv.org/abs/2610.21910｜截图日期：2026-10-18视觉语言模型，就是能看图回答问题的模型；视频世界模型，则根据图像和要求生成变化过程。作者让两者协作，不训练新模型，而是改进“什么时候生成、生成什么、怎么看结果”。
论文用四类操作解释这种分工：
•换视角：从机器人位置看，红锥在蓝方块哪边？
•补中间过程：已知转动前后，红色尖端途中是否经过黄色物体？
•延续运动：继续直行，会先碰到哪个物体？
•改变条件再推演：移走支撑物后，另一个物体会不会倒？
这些是论文示意，不是试用记录。关键不在于“多生成一段视频”，而在于先找信息缺口：另一侧视角和干预后的结果，需要不同请求。
不只调用视频模型，还要约束它怎么生成
SECTION
作者搭了一套运行框架，连接工具、技能、核验器和执行代码。
工具调用视频模型；技能是可复用的操作指引，教答题模型选择操作、组织请求、解释结果。请求要说明源图及顺序、希望发生的变化，以及必须保留的条件。例如切换视角时，物体不能顺便换位置，还要按题目指定的参照判断左右。
核验器描述生成视频中的事件、异常和不确定性；执行代码协调调用、保存历史。能直接回答时，可以跳过生成。核验器只看生成视频，不等于核实了真实物理过程。
这套框架分四步运行：判断生成能否帮忙；构造请求或跳过；解释视频；整合原图与生成线索回答。
开发期间，监督者根据执行记录、阶段指标和可获得的答案评分，修改工具、技能、核验指令及代码。每阶段的候选方案从相同传入历史重跑，再选择方案交给下一阶段。
作者运行3轮演化，每阶段最多修改5次，允许提前停止；测试时固定最终框架。两个模型权重始终不变，但仍需反复调用和评审，不训练不等于零成本。
评估效果对比：七项都涨，收益并不平均
EVALUATION
开发集共120题，来自MMSI、Spin、CausalSpatial、PerceptionBench，各30题，测试排除这些题。
主配置使用gpt-5.6-luna和FAL上的MiniMax H3 Max Turbo图生视频接口。答题、监督和外部评分使用同一GPT-5.6部署，但上下文独立。生成视频为5秒、480P，答题模型取9帧辅助推理。
以下为论文表1准确率，单位为%。SpatiaLab分两种答题格式，因此七项基准对应八行结果。
MMSI增加4.54个百分点，ERQA增加6.75个百分点；摘要中的11.8%和13.0%是相对提升。总体增加1.40个百分点，CausalSpatial仅增加0.07个百分点，不能概括成全面大幅增强。
平均值按评估项数量加权。SAT的300项来自150题的两种选项排列；SpatiaLab两种格式共用1400道问题，不能都视为独立问题。部分开放答案由GPT-5.6评分，也不等于人工复核。
完整方案在五项基准上胜过全部五个同骨干演化基线，但这些基线没有视频工具。主表因此不能单独证明“共同演化”环节的独立优势。
作者关闭视频工具和核验器，保留演化后的技能与四阶段流程。这个对照衡量的是视频工具加核验器的增量，不是视频单独的贡献。
我认为，对比消融结果，这更支持“按需补过程”，而非给所有视觉问答默认加视频：遮挡和碰撞获益，SAT视角判断不靠视频也能改善，文字识别加视频反而下降。
生成器也影响结果。换成LTX-2.3后总体仍有改善，但CausalSpatial低于直接推理。迁移到Grok-4.5时，作者又做了一轮演化，加权准确率从32.86%升至39.78%，SAT仍略降。这说明流程可以继续适配，不代表换模型即可直接使用。
本文未核验完整成本、延迟和统计显著性信息，不能据此断言论文没有提供。
对空间、运动和干预推理任务，可以固定模型、输入和评分标准，对比三组：
1.直接回答。
2.保留技能和分阶段流程，关闭视频与核验。
3.启用完整方案。
前两组看流程收益，后两组看视频与核验的增量。开发题和测试题分开；生成请求只描述变化，不预先指定答案。逐题记录生成异常、修复的旧错误、新增错误，以及延迟、调用次数和费用。
这是千哥AI依据论文提出的验证路径，不是已执行实验，也不是论文成本结果。
这篇论文值得带走的，不是“视频能让AI更聪明”，而是一个有边界的解法：原图缺少过程时，先明确缺什么，再选择生成操作，最后用对照决定是否保留。它满足的是补充推理线索的需求，而不是多生成一段看起来可信的视频。
论文：CoWorld Reasoner
项目页：https://modalitydance.github.io/CoWorld-Reasoner
建议把「千哥AI」设为星标（⭐️）。
我是千哥，持续分享 AI 工程化观察与干货，这里记录从论文、开源项目到工程系统的拆解。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。
