Embodied Agents & World Models · 2026年7月9日
每日论文速递 · Embodied Agents & World Models
💡 一句话：把 LLM 规划从“同步问答”改成多时间尺度异步循环，用 Skill Kernel、调度器、抢占/恢复、speculative skill streaming 来管理真实机器人身体。
📄 每日论文速递 · Embodied Agents & World Models
日期：2026-07-09
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 规划从“同步问答”改成多时间尺度异步循环，用 Skill Kernel、调度器、抢占/恢复、speculative skill streaming 来管理真实机器人身体。
🎯 关联：这篇很值得看，和 InternOS 的味道非常近：agent 执行层不是 prompt orchestration，而是 runtime、scheduler、typed resource arbitration。
2. Cortex：用于长程操作任务的双向对齐具身 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 规划 + 低层 VLA 执行，中间通过 32 个标准 skill primitives 和可执行约束把语义计划落到机器人动作。
🎯 关联：这是典型“planner ↔ executor”接口问题；Anna 做 agent 平台时也会遇到同样的断层：高层意图必须被编译成可验证、可调度、可失败恢复的 action primitive。
3. 长程 Mobile 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 GUI agent 加一个轻量外部 task-state wrapper，把全局目标、子任务进度、action verifier 从屏幕观测里剥离出来，减少长程执行失忆和幻觉进度。
🎯 关联：这篇直接打到 InternOS/agent 平台核心：不要只堆 history，要维护“任务状态机 + 进度 tracker + verifier”；这比单纯增加 context window 有用。
4. TouchWorld：用于灵巧操作的预测-反应式触觉 Foundation Model
TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation
🔗 https://arxiv.org/abs/2607.07287
💡 一句话：把触觉当作 world model 的预测目标和高速反馈信号，分离高层视觉语言规划、触觉预测、动作生成和实时 residual correction。
🎯 关联：这篇的关键不是“触觉很酷”，而是 control loop 分层：慢规划、快反馈、局部修正必须分开；对未来 agent execution runtime 很有启发。
5. VLA 模型中的双重 Latent Memory
Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation
🔗 https://arxiv.org/abs/2607.07608
💡 一句话：LaMem-VLA 把短期/长期历史经验压成 latent memory tokens，直接注入 VLA 的连续 embedding 空间参与动作生成。
🎯 关联：这篇适合对照 InternOS 的 memory 设计：记忆不是聊天记录归档，而是能被当前决策路径原生消费的状态表示。
6. RynnWorld-4D：用于机器人操作的 4D 具身 World Model
RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
🔗 https://arxiv.org/abs/2607.06559
💡 一句话：从单张 RGB-D 和语言指令生成未来 RGB、depth、optical flow，并用内部 4D 表征直接输出闭环机器人动作。
🎯 关联：world model 正在从“生成好看的视频”走向“给 policy 提供可用的动态表征”；对 agent 的环境模拟、预演、执行前验证都有价值。
7. 先验证梦境，再相信它的裁决：World Model Simulator 的可采信性
Validate the Dream Before You Trust Its Verdict: Admissibility for World-Model Simulators
🔗 https://arxiv.org/abs/2607.07196
💡 一句话：提出 world model 作为测试 oracle 前必须先通过 L0-L4 admissibility ladder，否则它给出的成功/安全 verdict 不可信。
🎯 关联：这篇很适合 Anna 的 verifier 思路：如果 simulator/world model 自己没被验证，就不能拿它当执行验证层；AI sandbox 也一样，oracle 可信度要分级。
8. 带安全保证的 Web Agent 非可信内容 Masking
Untrusted Content Masking for Web Agents with Security Guarantees
🔗 https://arxiv.org/abs/2607.05277
💡 一句话：用 DOM 结构区分可信/非可信区域，在 agent 看到页面前先 mask 非可信内容，并通过 sandboxed interface 做权限隔离，缓解 prompt injection。
🎯 关联：这篇和朋友讨论的 AI sandbox / agent infra 强相关：web/computer-control agent 的安全边界不能靠模型自觉，必须靠环境层隔离和权限设计。
今日判断
今天的强信号很明确：embodied agent 的主战场已经从“模型会不会理解环境”转到“执行 runtime 怎么组织”。TypeGo、TSR、TouchWorld、Cortex 都在说同一件事：长程 agent 必须有状态、调度、验证、反馈修正，而不是一个大模型端到端硬莽。
另一个趋势是 world model 开始被当成 execution/verifier infrastructure，但可信度问题会变成瓶颈；“能生成未来”不等于“能可靠裁决行动”。
对 Anna 来说，今天最该优先读 TypeGo + TSR + Validate the Dream。这三篇最贴 InternOS：runtime、task state、verifier trust。