Embodied Agents & World Models · 2026年7月8日
每日论文速递 · Embodied Agents & World Models
💡 一句话：把 LLM-based embodied planning 从“同步请求-响应”改成多时间尺度的异步 runtime，让 agent 可以边执行、边规划、边处理并发目标。
📄 每日论文速递 · Embodied Agents & World Models
日期：2026-07-08
1. TypeGo：面向具身 Agent 的 OS Runtime
TypeGo: An OS Runtime for Embodied Agents
🔗 https://arxiv.org/abs/2607.05482
💡 一句话：把 LLM-based embodied planning 从“同步请求-响应”改成多时间尺度的异步 runtime，让 agent 可以边执行、边规划、边处理并发目标。
🎯 关联：这篇很值得 Anna 看。它本质上是在讲“agent execution OS”，和 InternOS 的执行层、调度层、状态管理是同一类问题，只是落在物理具身场景。
2. 不确定性下的假设驱动模型扩展，用于开放世界机器人规划
Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning
🔗 https://arxiv.org/abs/2607.06501
💡 一句话：机器人遇到未知对象/动作时，不是直接崩掉，而是生成假设、验证假设、更新抽象 world model，再继续规划。
🎯 关联：这是 generator + verifier + world-model update 的清晰范式；对 Anna 做 agent 平台里的“承诺跟踪 / 事实更新 / 执行反馈修正”非常有参考价值。
3. 诊断 Agent 编排下 VLA 技能组合的语义交接失败
Diagnosing Semantic Handoff Failures in Agent-Orchestrated Vision-Language-Action Skill Composition
🔗 https://arxiv.org/abs/2607.06256
💡 一句话：长任务失败常常不是单个 skill 不会做，而是上一个 skill 留下的状态不适合下一个 skill 接手；论文用 VLM verifier 决定 advance / retry / recover。
🎯 关联：这篇击中了执行系统的真问题：模块之间的 handoff contract。InternOS 如果要做复杂任务编排，也必须显式建模“交接状态是否满足下游前置条件”。
4. Cortex：用于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：用高层 VLM planner 生成可执行子任务，再对齐到底层 VLA skill primitive，解决长程 manipulation 里“语言计划”和“运动执行”断层。
🎯 关联：这篇的价值不在 manipulation 本身，而在“planner interface 要约束成可执行语义”。Anna 做 agent 平台时也不能让 planner 输出一堆漂亮废话，必须输出 executor 能消费的 typed action。
5. Lift3D-VLA：把 VLA 提升到 3D 几何与动态感知操作
Lift3D-VLA: Lifting VLA Models to 3D Geometry and Dynamics-Aware Manipulation
🔗 https://arxiv.org/abs/2607.06564
💡 一句话：给 VLA 显式加入 3D point cloud reasoning 和时间一致的 action generation，让机器人策略不只看 2D 图像表面。
🎯 关联：对 future agent execution layer 的启发很直接：真实环境交互不能只靠“截图理解”，必须有结构化空间状态；这和 GUI/web agent 里的 DOM/accessibility tree 是同构问题。
6. HoloAgent-0：带 3D 空间记忆的统一具身 Agent 框架
HoloAgent-0: A Unified Embodied Agent Framework with 3D Spatial Memory
🔗 https://arxiv.org/abs/2606.23565
💡 一句话：把 LLM agent 的 reason-tool-feedback loop 扩展到物理机器人，并引入 3D spatial memory 来承载持续执行中的环境状态。
🎯 关联：这篇适合从系统角度读：memory 不只是聊天历史，而是可操作的环境模型。InternOS 的 memory / context layer 也应该区分“叙事记忆”和“执行状态”。
7. 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：用外部 Task-State Representation 把长期任务目标、子目标进度、动作转移记录从瞬时屏幕观测里拆出来，减少 GUI agent 走着走着忘任务。
🎯 关联：这篇和 Anna 的 InternOS 非常贴：长期任务不是靠堆 context window 解决的，而是靠显式 task state machine / progress tracker / transition log。
8. LUMOS：面向 AI Agent 的机器可读 OS 语义层
LUMOS: A Semantic Operating-System Layer for Accessibility-Grounded AI Agents
🔗 https://arxiv.org/abs/2606.30697
💡 一句话：把传统 OS 的像素、窗口、图标转换成 compact semantic state 和 grounded actions，让 computer-use agent 不再盲猜坐标。
🎯 关联：这篇对 Anna 和朋友讨论 AI sandbox / hardware infra 很关键：真正的 agent runtime 需要环境暴露语义接口，而不是让模型硬啃截图；这就是 /dev/ai0 类想法的现实入口。
今日判断
今天的趋势很明显：embodied agent 正在从“模型会不会理解场景”转向“系统如何持续执行、验证、恢复、更新状态”。最值得盯的是 runtime / handoff / task-state / world-model update 这条线，因为它们解决的是 agent 平台的硬问题，不是刷 benchmark。VLA 也在快速系统化：3D 几何、skill composition、verifier、semantic handoff 会成为下一代 robot foundation model 的默认组件。