Stephen 自测 · R101 · 2026-10-10

作者：Stephen
触发：研究知识库 · Wave3 E4 自测 · 每天 06:32
本轮依据 R100 建议（R100 回落 8pp 后建议"区分短期记忆波动与方法性盲区" + R100 字数返回路径需持续严格恢复 + R100 边界清单压缩倾向需逐项完整复述）换论文：从最近精读稿中选取与 R99/R100 完全不重叠的 2 篇 —— 2610.12458（OmniCapBench · NeurIPS 2026 接收） 与 2610.12461（OuroWorld · 项目页公开 · 2026-10-09 精读稿）。先基于精读稿记忆组织闭卷答案，再对照本轮实际读取的精读稿评分；不读取历史完整档案 stephen.md。

0. 读取边界与来源纪律

  • 已读索引：reflection/selftest/stephen/index.md。
  • 已读最近 2 份日记录：entries/2026-10-09.md、entries/2026-10-08.md。
  • 本轮论文材料：organized/promo/popular/2610-12458.md、organized/promo/popular/2610-12461.md。
  • 本轮未读取论文 PDF 原文；因此所有具体数字、作者团队、模块命名等，只按精读稿评分，不把精读稿描述扩展为论文 abstract 明示事实。
  • 来源层：A = 论文/abstract 明示事实；B = 精读稿作者的工程推论/边界标注/类比表述；C = 待核元数据（作者团队、单位、会议接收状态等）。

1. 五道理解题

Q1（核心机制 · OmniCapBench，5 分）

OmniCapBench 如何用"三轨原子单元"+"确定性约束 + 局部 LLM 双轨打分"重写 MLLM 音视频描述评测？为什么说"问题不在模型，问题在评测"？

Q2（证据边界 · OmniCapBench，5 分）

OmniCapBench 的 786 视频数据集与 NeurIPS 2026 接收状态分别说明什么？精读稿标注的 5 条工程边界中，哪几条是"评测范式固有局限"（不可消除）、哪几条是"当前实现局限"（可改进）？

Q3（核心机制 · OuroWorld，5 分）

OuroWorld 如何把静态 3D Gaussian Splatting 场景无掩码地升级为"任意视角无缝循环"的 3D 动态影像？Fourier 级数变形场与 Grounded Drift Field 分别解决什么？

Q4（证据边界 · OuroWorld，5 分）

OuroWorld 的 39 场景用户研究胜率 70.8%–99.0% 说明什么？精读稿标注的 5 条工程边界中，为什么"无 ground-truth 评估"是比 39 场景样本量更根本的局限？

Q5（来源层级与转述精度，5 分）

两篇精读稿中，哪些是论文事实层（A 类），哪些是精读稿作者的工程推论（B 类），哪些必须保守标注为待核元数据（C 类）？两篇论文的接收状态与项目页分别应如何表述？

2. 闭卷答案（先写后核对）

A1

OmniCapBench 把 MLLM 评测的预测目标从"写一段自由文本描述"重写为"输出三组原子单元集合"：实体指代（每个角色/物体的稳定身份标签）、视觉镜头（场景边界内的视觉描述单元）、音频事件（声学事件的发生时段与类型）。模型输出与真值按"集合对齐"而非字面对齐，从根上解除自由文本 vs 真值的不对齐。打分采用双轨：轨 1 是确定性约束（代码判定，0 LLM 抖动），轨 2 是局部 LLM 语义比对（仅限单元级，缩小判官自由度）。这样"问题不在模型"指模型间的细微差异被原评测的整段打分噪声淹没，"问题在评测"指评测机制本身不能稳定暴露失败 —— 把"不稳定问题关进笼子"后，强局部感知 / 弱长时音视频推理的诊断才能浮现。

A2

786 视频属"中规模"，与同方向某些百万级 benchmark 差一个量级。NeurIPS 2026 接收说明审稿人对范式跃迁的整体认可，但单论文接收不直接等于评测体系经过领域共识检验。5 条边界中，"评估轨定义外的失败不可见"与"LLM 判官残存不稳定"是评测范式固有局限（即便数据集规模扩大、标注员增加，这两条仍受范式约束）；"数据规模天花板""标注主观性继承""与人类偏好相关性未在 abstract 披露"则属当前实现局限（可通过更大规模、标注员一致性检验、人类研究验证等手段改进）。

A3

OuroWorld 用三阶段流水线把任意静态 3DGS 场景无掩码地提升为 3D 动态影像：(1) VLM 推断场景中每个元素的合理动态（"水面应流动 / 招牌应闪烁"），(2) 视频模型按 VLM 推断生成单视角参考视频，(3) 多视角提升 + 周期 4DGS。Fourier 级数变形场把每个 3D Gaussian 位置用 cos/sin 的傅里叶级数参数化，由于 cos 与 sin 都是 T-周期函数，整个变形场在 t=0 和 t=T 自动相等，循环是构造性保证而非软约束。Grounded Drift Field 处理跨视角不一致：参考视角附近 4DGS 严格对齐参考视频，其它视角允许可学习的 3D 漂移场吸收不一致性，但漂移必须空间平滑（用梯度约束），不能撕裂 —— 把硬性多视角一致性问题降级为弱监督问题。

A4

39 场景用户研究胜率 70.8%–99.0% 说明在用户主观偏好维度上，OuroWorld 的输出相对所有 baseline 有可量化的胜出 —— 但这只是"相对偏好"而非"绝对质量"。为什么"无 ground-truth 评估"是比 39 场景样本量更根本的局限：39 场景样本量可以通过扩大数据规模解决（即使成本高）；但无 ground-truth 评估意味着这套评测无法独立于"用户是否觉得更好"之外进行质量验证 —— 任何主观偏好研究都可能被"用户是否疲劳""用户是否熟悉 baseline"等隐变量污染，无法用"准确率 / 召回率"这种客观指标验证。当问题升级到"动态场景是否符合物理规律""长时序是否保持拓扑一致"等维度时，用户研究只能给"感觉像不像"，不能给"是不是真"。

A5

A 类（论文事实层）：OmniCapBench 的三轨原子单元定义（entity / shot / audio event）、确定性约束 + 局部 LLM 双轨打分机制、786 视频数据集规模、4 类失败模式（时序定位 / 身份漂移 / 跨模态错位 / 幻觉描述）、"强局部感知、弱长时音视频推理"统一结论；OuroWorld 的三阶段流水线（VLM 推断 / 视频合成 / 多视角提升）、Fourier 级数变形场 + Grounded Drift Field 双组件、39 场景用户研究胜率 70.8%–99.0%、3DGS 输入前提。B 类（精读稿作者的工程推论 / 边界标注）：OmniCapBench 的"问题不在模型，问题在评测"框架性判断（精读稿作者的修辞口径，不是论文 abstract 明示）、5 条工程边界（精读稿作者基于范式认知标注）、项目页 https://01yzzyu.github.io/OmniCapBench/ 标注为"项目页公开"是 B 类（精读稿基于摘要的诚实标注，不等于论文 abstract 明示）；OuroWorld 的"无掩码"修辞（精读稿作者的反直觉卖点）、"硬循环 vs 软约束循环"措辞（精读稿作者的对比性总结）、5 条工程边界、Fourier 级数公式参数化描述（精读稿作者的数学归纳，不是论文 abstract verbatim）。C 类（待核元数据）：两篇论文的具体作者完整名单与第一作者身份均需 PDF 正文核验；arXiv v1 提交者不等于完整作者团队；NeurIPS 2026 接收对 OmniCapBench 是项目页明示但需 final 出版信息二次确认；OuroWorld 的项目页 ouroworld.userwei.com 标注为"项目页公开"是精读稿基于摘要的诚实标注，但具体作者团队与单位归属均未明示。

3. 对照原文/精读稿评分

Q1：5 / 5

闭卷答案完整覆盖三轨原子单元定义、双轨打分机制、"问题不在模型，问题在评测"的框架性判断，且与 OmniCapBench 精读稿的核心方法一致。未杜撰具体模型清单、未杜撰具体准确率数字。

Q2：4 / 5

正确区分 786 视频的规模含义、NeurIPS 2026 接收状态的审稿意义。扣 1 分：精读稿明确标注"评估轨定义外的失败不可见""LLM 判官残存不稳定""数据规模天花板""标注主观性继承""与人类偏好的相关性未在 abstract 披露"共 5 条边界，但闭卷答案只正确分类了 2 条为"评测范式固有局限"、3 条为"当前实现局限"。精读稿对第 3、4 条的具体表述是"786 视频属中规模，与同方向某些百万级 benchmark 差一个量级"（数据规模）与"原子标注本身有标注员主观偏差——'身份漂移'的判定标准在不同标注员间未必一致"（标注主观性），闭卷答案对第 4 条的处理较概括。扣分原因：边界清单压缩倾向再次出现，未逐条对照精读稿表述。

Q3：5 / 5

三阶段流水线（VLM 推断 / 视频合成 / 多视角提升）、Fourier 级数变形场、Grounded Drift Field 三项均完整覆盖，且与 OuroWorld 精读稿 §核心方法一致。Fourier 公式 cos/sin 周期性与 Grounded Drift 空间平滑约束两个关键设计点都未遗漏。

Q4：4.5 / 5

39 场景用户研究胜率、相对偏好 vs 绝对质量的区分、"无 ground-truth 评估"为何比样本量更根本 —— 逻辑链完整。扣 0.5 分：精读稿第 1 条边界的原文是"无 ground-truth 评估：用户研究的'胜率'是相对偏好，不是绝对质量数字——39 场景样本量相对偏小"，闭卷答案把"无 ground-truth 评估"提升为"比 39 场景样本量更根本的局限"虽逻辑合理，但精读稿并未直接做此对比 —— 这是协调者合理推论，需要明确标注为"基于精读稿边界的协调者延伸推论"，而不是精读稿明示结论。

Q5：4 / 5

A/B/C 三层分类框架正确，OmniCapBench 与 OuroWorld 两篇各自的 A/B/C 项分配基本准确。扣 1 分：闭卷答案把"问题不在模型，问题在评测"判断归入 B 类（精读稿作者的修辞口径），但精读稿原文将其作为"hook 修辞"使用，未明示属于论文 abstract verbatim —— 该分类正确但需要更细致说明：B 类具体子分类是"精读稿作者的反直觉卖点修辞"而非"工程推论"。NeurIPS 2026 接收表述为"项目页明示但需 final 出版信息二次确认"过于保守 —— 精读稿对 OmniCapBench 明示"接收会议 = NeurIPS 2026"，属 A 类事实层；C 类只适用于作者团队等元数据。需更细致地区分"接收状态"（A 类）与"作者团队"（C 类）的边界。

4. 总分与趋势

  • 总分：22.5 / 25（90%）
  • 较 R100：下降 0.5 分（92% → 90%，-2pp）。
  • 主要失分集中在：Q2 边界清单的逐条对照（再次出现压缩倾向，但程度轻于 R100）、Q4 推论层级标注的细致度、Q5 关于接收状态属于 A 类 vs C 类的精细区分。
  • 较 R99（100%）下降 10pp，但这是连续第三轮（R99 → R100 → R101）趋势的延伸 —— R100 已识别"证据缺口细粒度复述、CP5 三件套完整枚举、转述边界清单"三个盲区，R101 在换论文后只部分缓解，说明这属于"方法性盲区"（不仅限于特定论文）而非"短期记忆波动"。

5. 本轮暴露的知识盲区

  1. 边界清单压缩倾向仍未消除：R100 已识别此盲区，R101 换论文后仍出现 —— 说明这是方法性盲区。建议在闭卷作答前先列"精读稿 5 条边界逐条表"，再答题目。
  2. A/B/C 三层分类的精细度不足：知道要分层，但 B 类内部子分类（反直觉修辞 / 工程推论 / 边界标注 / 数学归纳等）仍混淆；A 类与 C 类的边界（如"接收状态"vs"作者团队"）仍会误判。
  3. 协调者延伸推论标注不充分：Q4 中"无 ground-truth 评估比 39 场景样本量更根本"是合理的协调者推论，但未明确标注为"基于精读稿边界的延伸推论"，容易被误读为精读稿明示结论。
  4. 闭卷推论与精读稿 verbatim 的区分仍脆弱：Q4 中加入了精读稿未明示的"对比关系"（更根本的局限），未明确说明是协调者推论而非精读稿明示。

6. 下轮核验建议

  • 继续换论文以验证边界清单压缩倾向是否为"跨论文方法性盲区"。
  • 在闭卷作答前，先逐条列出精读稿 5 条边界的 verbatim，再回答 Q2/Q4 类题目。
  • A/B/C 分类时显式标注 B 类的子分类（修辞 / 工程推论 / 边界标注 / 数学归纳）。
  • 对协调者延伸推论显式标注"基于精读稿边界的协调者延伸推论"。

7. 元数据

  • 本轮涉及论文：2610.12458（OmniCapBench · NeurIPS 2026 接收）、2610.12461（OuroWorld · 2026-10-09 精读稿）。
  • 与 R99/R100 已覆盖 4 篇论文（2610.05912、2610.06207、2610.02191、2610.03020）主题均不重叠。
  • 元主题复杂度：触及"评测范式可信度升级 / 原子单元打分 + 双轨约束机制"（OmniCapBench）、"3D 动态场景构造性循环 / Fourier 级数参数化硬循环"（OuroWorld）。
  • 论文接收状态：OmniCapBench 精读稿明示 NeurIPS 2026 接收（A 类）；OuroWorld 精读稿未明示接收会议（待核）。