使用 arxiv api 阅读论文，输出:
1## 论文标题2[当前模型 e.g. Gemini 3.1 Pro] 一句话主要贡献或复现方法，逗号最多一个 | 👤 第一作者学校或机构, 第一作者, 通讯作者 | [🌐](项目网站) 搜不到就占位符 - | [📃 <arxiv-id e.g. 2505.11917>](https://hjfy.top/arxiv/<arxiv-id>) | [✨](https://www.alphaxiv.org/abs/<arxiv-id>) | [📂](代码连接) 搜不到就 - |3<空行>4正文第一段 0-5 个逗号，说贡献，可选对比前作的新增，在限制句数中让小白都能 get 到如何去复现这篇论文。5<空行>6第二段可选，0-3 个逗号。用于指出局限性或总结实验中得到的一些有趣结论（不用说成功率提升多少之类的）正文示例:
为 video dit 提供了三种 memory token:
- 所有帧共享 8 个 learnable gist query embedding，这样就可以每帧留下 8 个 gist embed 和对应 kv cache.（完整视觉 token 是 120 个）.
- 滑动窗口完整视觉 token
- 起始帧完整视觉 token
除此之外继承了常见 WAM 的 Video DiT + action expert DiT.
Cosmos Policy 使用 Cosmos 作为预训练模型，然后让它同时预测 frame、value 和 action。文章说基于 Cosmos 的视频表征也可以建模动作的假设，这个假设未必成立.
为了引入 text-level reasoning 但又不想分为显式双系统，OneTwoVLA 使用 Pi0-like 架构中的 VLM 输出自回归输出 <BEGIN_OF_ACTION> 或 <BEGIN_OF_REASONING> token，如果是前者就继续走常规流程，后者就继续自回归生成 reasoning. 数据是分段手标的.
一句话总结示例:
Cosmos Policy 直接把 Cosmos 后训成同时预测视频、动作和值的策略模型
让 Pi0 VLM 输出 token 来决定是否 reasoning
写法约束
除了官方模型名或论文名里的斜杠，尽量不用斜杠，写清楚语义：
- 表示并列用
和或、, 表示选择用或 - 表示解释用
i.e.、也即，表示别名用() - 表示包含关系用
包括
不要使用比喻。不要写“医疗版 GR00T-Dreams”“纸面系统”“把 X 硬塞进 Y”“领域适配”这类模糊和冗长说法。适当使用简洁而通俗易懂说法，可以写：本文似乎主要是缝合了 GR00T-Dreams 和 GR00T-N1.5。
不要猜测，不确定方法直接读代码.
不要堆叠你不确定的专有名词。不能用一连串名词假装理解。如果要比较，只选 1 个最相关对象，并说出具体比较点。
不要引用论文自己的营销词来当评价。
不要用“不是…，是…”，不要使用“是…，而不是…”，直接说 “是…”。
不好的用词：层次化推理改造、范式级创新、统一闭环智能体架构、鲁棒性显著提升、它的结构更克制、锚点。
不好的写法：
批判地看，问题相当典型：评测困在 LIBERO 这种桌面抓取小盒子里做，所谓 physical red teaming 离 AMO、ExBody 那种 whole-body 还差一个量级。但坦白讲，这更像是一篇医疗版 GR00T-Dreams + GR00T-N1.5 适配报告。相对 Pi-0/Pi-0.5/GR00T-N1.5/RDT2/OpenVLA 没有引入流匹配或层次化推理改造。它值得读的点不是模块多，而是可以作为一条强 baseline，
纠正示例：
- bad:
深度融合了视觉、语言、动作和触觉 - good: 直接说明
15x8 触觉传感数组 -> [MLP] -> 36 个触觉 token -> concat image&text token -> [VLM]
好的用词（简单平实而能推测出复现方法）：生成 subgoal image，经过 image encoder 送给 VLM、只有 LIBERO 测试，没有真机.