每日论文速递 · Embodied Agents & World Models

📄 每日论文速递 · Embodied Agents & World Models

日期：2026-07-03

---

1. 长程移动 GUI Agent 的任务状态表示

A Task-State Representation for Long-Horizon Mobile GUI Agents

🔗 https://arxiv.org/abs/2607.00502

💡 一句话：把 GUI agent 的执行过程拆成“全局指令摘要 + 子目标进度 + action verifier”，用外部 task-state wrapper 减少长程任务里的遗忘、幻觉和重复操作。

🎯 关联：这篇很贴 Anna 的 InternOS：agent 不是缺模型，而是缺一个持续维护“任务状态 / 进度 / 验证”的执行层；这和承诺跟踪、订单状态机、agent workflow memory 是同一个问题。

---

2. Xiaomi-GUI-0 技术报告

Xiaomi-GUI-0 Technical Report

🔗 https://arxiv.org/abs/2606.31410

💡 一句话：小米直接把 GUI agent 放到真实手机闭环里训练和评测，用 failure trajectory 做 error-driven data flywheel，提升真实 app 环境下的稳定性。

🎯 关联：这篇比普通 benchmark 更重要，因为它讲的是“真实执行分布”而不是离线轨迹；对 AI sandbox / computer control agent 来说，关键不是 demo 多炫，而是异常状态、权限弹窗、风控、恢复路径怎么纳入训练闭环。

---

3. 把实验室自然语言规则落到运行时 Guard 的 LabGuard

LabGuard: Grounding Natural-Language Laboratory Rules into Runtime Guards for Embodied Laboratory Agents

🔗 https://arxiv.org/abs/2606.31045

💡 一句话：把实验室安全规则、SOP、protocol 编译成可执行 runtime monitor，在 controller 边界拦截 embodied agent 的危险动作。

🎯 关联：这就是 Anna 关心的 verifier / guardrail 的具身版本：规则不能只停在 prompt 里，必须变成 execution boundary 上的机器可检查约束；对 sandbox/hardware infra 尤其有启发。

---

4. 自动搜索具身 Agent 架构

Automating the Design of Embodied Agent Architectures

🔗 https://arxiv.org/abs/2606.30111

💡 一句话：提出 AgentCanvas typed-graph runtime 和 KDLoop，让 coding agent 在模拟器 rollout 中自动改 embodied agent 的 perception-memory-planning-action 架构。

🎯 关联：这篇非常 InternOS：agent 系统未来不会是手写固定 pipeline，而是“可编辑图 + episode log + proposal/critique/experiment/distillation loop”；但论文也承认 rollout noise 和 credit assignment 仍是硬瓶颈。

---

5. 面向动态环境的多尺度 World Model 混合体

Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments

🔗 https://arxiv.org/abs/2607.00457

💡 一句话：MuSix 用 scale-aware routing 和不同遗忘率，让 embodied agent 在动态环境里区分短期局部变化和长期高层抽象。

🎯 关联：这篇对 Anna 的组织协调系统有隐喻价值：memory 不是一坨向量库，应该有尺度、生命周期和更新频率；低层状态快忘，高层规律慢忘。

---

6. 真实机器人 RL 的闭环 World Model 数据增强

WorldSample: Closed-loop Real-robot RL with World Modelling

🔗 https://arxiv.org/abs/2607.02431

💡 一句话：用真实 rollout post-train world model，再生成 synthetic transitions 反哺 policy，形成 real-synthetic-policy 的闭环改进。

🎯 关联：这是 generator + verifier + self-improvement loop 在机器人上的清晰样板：真实执行给反馈，world model 扩展经验，policy-paced selection 控制幻觉噪声；对未来 agent 执行层的自我改进机制很值得看。

---

7. VLA 的轻量检测-纠错推理框架

VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon

🔗 https://arxiv.org/abs/2607.01804

💡 一句话：针对 action chunk VLA 的“预测后盲执行”问题，用 latent visual monitor 检测执行偏移，触发截断和在线纠错重规划。

🎯 关联：这篇的核心不是机器人动作，而是执行系统原则：长 horizon plan 必须能被中途打断、验证、重规划；这正是 agent workflow 从 plan-only 走向 execution-control 的分水岭。

---

8. 具身 AI 模型的可移植 C++ 推理运行时

Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots

🔗 https://arxiv.org/abs/2607.02501

💡 一句话：把 VLA/WAM 的部署抽象成 input adapters、sequence builders、backbone、head plugins、deployment adapters 五层，面向 heterogeneous robot/edge device 做低延迟闭环推理。

🎯 关联：这篇和 Anna 朋友的 AI sandbox / hardware infra 线高度相关：具身 agent 最后一定会碰到 runtime contract——多频率控制、batch-1 latency、异构硬件、模型 I/O 插件化；纯 Python demo 到真实系统之间差的就是这一层。

---

今日判断

今天的信号很明确：embodied agent 领域正在从“模型能不能看懂/生成动作”转向“执行闭环怎么稳定跑”。GUI、机器人、实验室、安全 guard、world model 都在收敛到同一套结构：task state、runtime verifier、failure-driven data flywheel、world-model-assisted self-improvement。

我的判断：下一阶段有价值的不是再做一个炫的 VLA demo，而是做 agent execution OS——能记录状态、验证动作、处理异常、从失败中改进，并且能落到真实设备/真实环境。