每日论文速递 · Embodied Agents & World Models

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

日期：2026-07-07

---

1. Cortex：面向长程操作的双向对齐具身 Agent 框架

Cortex: A Bidirectionally Aligned Embodied Agent Framework for Long-horizon Manipulation

🔗 https://arxiv.org/abs/2607.05377

💡 一句话：把高层 VLM planning 和低层 VLA execution 用 32 个标准 skill primitives 对齐，重点解决“语义计划”和“可执行动作”之间断层。

🎯 关联：这篇最值得看。它不是单纯 robot policy，而是在做 embodied agent 的执行接口设计：planner 输出必须是低层 policy 真能吃的 subtask，这和 InternOS 里“任务分解 → 执行器 → 反馈校正”的接口问题高度同构。

---

2. OmniAct：从孤立技能到日常物理自治的全模态具身 Agent

Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy

🔗 https://arxiv.org/abs/2606.27251

💡 一句话：提出一个分层异步架构，把 cyber 工具、IoT、导航、机械臂操作、memory、verification 和 failure recovery 放到同一个长期自治 loop 里。

🎯 关联：这篇对 Anna 的 AI sandbox / hardware infra 线很有价值，因为它直接讲“长期运行的 agent 不是一个大模型，而是 planning、memory、verification、physical execution 的 orchestration system”。

---

3. DSWAM：双系统 World Action Foundation Model 做细粒度机器人操作

DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation

🔗 https://arxiv.org/abs/2607.04927

💡 一句话：把 VLA 的语言级任务分解能力和 WAM 的视频世界模型执行能力合在一起，用 dual-system 方式处理复杂家务操作。

🎯 关联：方向很对：未来 agent 执行层不会只靠 VLA，也不会只靠 world model，而是“语言 planner + action/world simulator”协同；这对 InternOS 的 verifier / executor 分层有直接启发。

---

4. InternVLA-A1.5：统一理解、潜在预见和动作的 VLA 模型

InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization

🔗 https://arxiv.org/abs/2607.04988

💡 一句话：在 VLM backbone 上保留理解能力，同时用 frozen video generation model 提供 latent foresight，让机器人 policy 能“预想未来”再行动。

🎯 关联：这篇的关键不是又一个 VLA，而是把 video generator 当作 foresight module 接入 action policy；对 agent 平台来说，这就是执行前的 cheap simulation / pre-verification。

---

5. Ask the World Before Acting：给语言 Agent 的环境探测式 World Model

Ask the World Before Acting: Environment Probing for Calibrated Agent World Models

🔗 https://arxiv.org/abs/2606.31422

💡 一句话：把“行动前是否应该查询环境状态”建模成预算决策问题，用 criticality、staleness、uncertainty、dependency 来决定 probe 哪个 belief。

🎯 关联：这篇非常贴 InternOS：agent 的失败很多不是推理差，而是 belief stale；它给了一个很干净的机制——不要盲目 act，先按成本选择性 probe world state。

---

6. 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：给长程 GUI agent 加一个外部 task-state wrapper，把全局目标、子目标进度、action verifier 从屏幕 observation 里拆出来维护。

🎯 关联：这篇和 InternOS 的“承诺跟踪 / 状态机 / progress tracker”很近：GUI agent 不是缺 screenshot 理解，而是缺一个稳定的 task-state memory，不然越执行越糊。

---

7. Worldscape-MoE：统一多种 action control 的 MoE 世界模型

Worldscape-MoE: A Unified Mixture-of-Experts World Model for Scalable Heterogeneous Action Control

🔗 https://arxiv.org/abs/2607.03964

💡 一句话：用 Diffusion Transformer + MoE，把 camera trajectory、robot action、hand joint 等异构控制信号吸收到一个统一 world model 里。

🎯 关联：这篇适合从 infra 角度看：未来 embodied sandbox 需要统一 action abstraction，否则每种 body / simulator / device 都是一套孤岛接口。

---

8. WSA₁：面向泛化机器人控制的 3D World-Spatial-Action 模型

WSA$_1$: a 3D-Centric World-Spatial-Action Model for Generalizable Robot Control

🔗 https://arxiv.org/abs/2607.03941

💡 一句话：明确批评当前 robot foundation models 太 2D-centric，提出把 3D world、spatial reasoning 和 action causality 一起建模。

🎯 关联：这篇判断很硬：只靠 2D visual-language representation 做现实执行会卡住，agent 执行层必须有 3D / causal / action-aware 的状态表示。

---

今日判断

今天的趋势很清楚：embodied agent 正在从“端到端 policy”转向“planner + world model + verifier + memory/state wrapper”的系统架构。

我会重点看 Cortex、OmniAct、Ask the World Before Acting：它们讲的不是单点模型能力，而是 agent 如何在真实/模拟环境里持续执行、检查状态、修正 belief。

VLA 这边也开始往 latent foresight 和 world-action model 靠，说明单纯模仿学习已经不够了，下一步核心是 执行前预测、执行中验证、失败后恢复。