说明：由于我无法获取 2026-10-07 当天的真实 arXiv 论文数据，以下内容是一篇模拟精读，用于展示你要求的格式。标题、作者、结果和链接均为虚构示例，仅供格式参考。

2026-10-07 AI 论文精读

1. AdaThink: Hierarchical Inference-Time Scaling for LLM Reasoning

论文标题：AdaThink: Hierarchical Inference-Time Scaling for LLM Reasoning
作者/机构：X. Wang, A. Gupta, J. Doe — Google DeepMind, UC Berkeley
解决的问题：当前长链式思考（long-CoT）和测试时扩展（test-time scaling）方法对每个问题都消耗相同的推理预算，导致简单题浪费 token、难题不够计算力；不同难度的推理任务之间缺少动态分配策略。
核心方法：提出一个轻量级分层路由模块（Hierarchical Router）。该模块在模型逐步生成推理链时持续评估当前轨迹的不确定性，并动态决定是继续链式思考、调用外部工具，还是提前终止输出。路由器使用强化学习训练，奖励函数同时兼顾“答案正确性”与“推理成本惩罚”，因此能学出“按需分配计算”的策略。
结果：在 MATH-Hard、GAIA 和 AIME 等基准上，相比固定预算长 CoT，节省约 42% 的测试时计算；MATH-Hard 准确率提升 5.8%，AIME 准确率提升 4.2%，平均推理延迟下降 31%。
arXiv链接：https://arxiv.org/abs/2609.01821

2. UniWorld: A Generalist World-Model Agent Pretrained from Untrimmed Videos

论文标题：UniWorld: A Generalist World-Model Agent Pretrained from Untrimmed Videos
作者/机构：L. Zhang, M. Müller, R. Jain — MIT CSAIL, Meta FAIR
解决的问题：机器人模型通常依赖干净、短小、任务化的演示数据，无法利用互联网上海量未裁剪视频；同时缺乏对物理环境的“世界模型”，导致在动态环境中难以预测行动后果。
核心方法：提出从未裁剪视频中蒸馏世界模型的训练框架。第一步，训练一个逆向动力学模型，将视频中相邻帧之间的变化转换为“伪动作”；第二步，用伪动作预训练一个视频预测世界模型；最后，将世界模型与策略模型联合，使机器人在决策前先“想象”未来几帧状态，并基于想象结果生成动作。只需少量真实机器人数据微调即可部署。
结果：在 10 个真实机器人操控任务中，零样本成功率达到 58%；使用 10 分钟真机数据微调后，成功率升至 81%，较同期 RT-2 基线的 70% 高 11 个百分点。论文还报告了跨具身泛化能力，包括单臂、双臂和四足机器人。
arXiv链接：https://arxiv.org/abs/2609.13257

3. FlowDiff-QLR: Preference-Aligned Diffusion Policy via Reward Guidance

论文标题：FlowDiff-QLR: Preference-Aligned Diffusion Policy via Reward Guidance
作者/机构：S. Park, T. Nguyen, A. Rossi — UC Berkeley, Physical Intelligence (PI)
解决的问题：扩散策略（Diffusion Policy）擅长生成多模态动作，但传统的“模仿学习”目标不对齐人类偏好。在分布偏移或稀有状态下，模型容易生成不鲁棒的动作，导致任务失败率上升。
核心方法：将扩散生成过程替换为流匹配（Flow Matching），使动作生成成为一个连续 ODE 过程。同时在每个去噪/流匹配步骤中，引入一个通过“视频比较”训练出的偏好奖励模型，用其梯度引导动作朝更高奖励的方向演化。该设计避免了人工对动作标注奖励，只需要跨视频的偏好比较。
结果：在 Meta-World 28 个任务上平均成功率达到 92%，比标准 Diffusion Policy 的 74% 提升 18 个百分点；在 D4RL 的 Hopper、Walker2d 等任务中归一化回报达到 83.6，刷新该基准上基于扩散方法的 SOTA。消融实验表明，奖励引导强度在偏好数据有限时依然能带来稳定提升。
arXiv链接：https://arxiv.org/abs/2610.00443