每日论文速递 · Embodied Agents & World Models

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

日期：2026-07-06

---

1. CaP-X：用于机器人操作的 Coding Agent 基准与改进框架

CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation

🔗 https://arxiv.org/abs/2603.22435

💡 一句话：把 Code-as-Policy agent 放进可交互机器人操作环境里测，核心发现是多轮执行反馈、视觉差分、自动 skill synthesis、verifiable reward 能显著提升 embodied coding agent 的可靠性。

🎯 关联：这篇最值得看。它不是单纯机器人 policy，而是 agent 写代码→执行→看反馈→修正 的闭环，很像 InternOS 未来“执行层 + 验证层 + 自改进 loop”的具身版本。

---

2. Embodied.cpp：异构机器人上的具身 AI 模型可移植推理运行时

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

🔗 https://arxiv.org/abs/2607.02501

💡 一句话：给 VLA / world-action models 抽出一套 C++ runtime contract，支持多频率闭环控制、低延迟 batch-1 推理、robot/simulator adapter。

🎯 关联：这篇对 Anna 的 AI sandbox / hardware infra 线很有价值：它直接在回答“agent policy 怎么真的跑到 heterogenous execution substrate 上”，不是停在模型层。

---

3. PanoSeeker：面向 360° 环境的主动感知与指代表达分割

Seek to Segment: Active Perception for Panoramic Referring Segmentation

🔗 https://arxiv.org/abs/2607.02497

💡 一句话：让 agent 在 360° 连续环境里根据语言目标主动转视角、维护空间记忆、找到目标后再分割。

🎯 关联：重点是 active perception + memory + planning，这比静态 VLM 更接近真正 agent：先决定“看哪里”，再执行任务。对 InternOS 的启发是环境反馈不只是结果验证，也包括主动补充观测。

---

4. LIME：从第一视角视频学习意图感知的相机运动

LIME: Learning Intent-aware Camera Motion from Egocentric Video

🔗 https://arxiv.org/abs/2607.02417

💡 一句话：把“移动相机/调整视角”单独建模成 language-conditioned action，让机器人先为了完成意图选择下一个最佳观察位姿。

🎯 关联：这篇很干净地说明：agent 的 action 不一定是“操作物体”，也可以是“获取更好的信息”。对平台设计来说，这是 planning loop 里的 information-gathering action，InternOS 也需要这种中间动作抽象。

---

5. CoFL-S：用于语言条件导航的可查询空间流场

CoFL-S: Spatially Queryable Sector Flow Fields for Local Language-Conditioned Navigation

🔗 https://arxiv.org/abs/2607.02222

💡 一句话：把 VLN 的低层动作表示从离散 token 换成语言条件的局部 flow field，让 agent 在 Habitat 和真实世界里连续闭环导航。

🎯 关联：这篇价值在“action interface”而不是大模型本身。Anna 做 agent 平台时也会遇到同一个问题：planner 输出自然语言不够，执行层需要稳定、可组合、可验证的动作表示。

---

6. Bridge-WA：预测世界会在哪里、如何变化来改进机器人动作

Bridge-WA: Predicting Where and How the World Changes for Robotic Action

🔗 https://arxiv.org/abs/2607.02195

💡 一句话：不生成完整未来视频，而是蒸馏出 future tokens、change maps、motion-flow maps，告诉 VLA policy 哪些区域会因动作发生关键变化。

🎯 关联：这是 world model 的务实路线：不要幻想完整世界模拟，先把“和行动相关的变化”接到 policy 上。对 agent 执行验证层很有启发：验证不一定要重建全世界，只要盯住承诺会改变的状态。

---

7. WorldSample：用 World Model 做闭环真实机器人 RL

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

🔗 https://arxiv.org/abs/2607.02431

💡 一句话：真实 rollout 之后用 world model 生成高保真 synthetic transitions，再通过 Policy-Paced Learning 控制样本选择，降低真实机器人 RL 成本。

🎯 关联：这是 “real ↔ synthetic loop” 的典型论文。对 Anna 来说，关键不是 RL 技巧，而是它把世界模型当成执行经验的扩增器，同时承认 hallucination 必须被调度和过滤。

---

8. ACID：用逆动力学一致性改进 World Model 规划

ACID: Action Consistency via Inverse Dynamics for Planning with World Models

🔗 https://arxiv.org/abs/2607.02403

💡 一句话：在 world model 规划时，不只看终点像不像目标，还检查中间轨迹是否能被对应 action 真实实现。

🎯 关联：这篇非常适合放进“verifier”视角看：生成的计划看起来合理不够，必须验证 action-state transition 是否可执行。InternOS 的任务执行也一样，不能只验证最终文本结果，要验证中间承诺链是否成立。

---

今日判断

今天的主线很明确：领域正在从“更大的 VLA / VLM”转向 执行闭环的工程化——runtime、action interface、active perception、world-model verifier 都在补齐。最值得 Anna 盯的是 CaP-X、Embodied.cpp、ACID：它们共同指向一个判断——未来 agent 平台的核心竞争力不只是 planner，而是 planner 生成动作后，系统如何执行、观测、验证、修正，并在硬件/模拟环境里稳定复现。