Embodied Agents & World Models · 2026年7月10日
每日论文速递 · Embodied Agents & World Models
💡 一句话：把 frozen VLA 当成可重试的 contact-rich primitive，再用 LLM/code-agent 式 planner、execution trace memory、failure model 做语义重定位和失败恢复。
📄 每日论文速递 · Embodied Agents & World Models
日期：2026-07-10
1. Harness VLA：用记忆引导 Agent 把冻结 VLA 变成可靠操作 primitive
Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents
🔗 https://arxiv.org/abs/2607.08448
💡 一句话：把 frozen VLA 当成可重试的 contact-rich primitive，再用 LLM/code-agent 式 planner、execution trace memory、failure model 做语义重定位和失败恢复。
🎯 关联：今天最值得看。它不是单纯 VLA，而是“planner + primitive + memory + retry”的执行层架构，和 InternOS 里 generator / verifier / executor 的分层很像；对 AI sandbox 也有启发：能力模型不要裸奔，要被 harness 管起来。
2. DeepSearch-World：可验证环境里的深度搜索 Agent 自蒸馏
DeepSearch-World: Self-Distillation for Deep Search Agents in a Verifiable Environment
🔗 https://arxiv.org/abs/2607.07820
💡 一句话：构建 deterministic、可复现、可验证的 web/search agent 环境，让 agent 通过生成轨迹、过滤、混合数据、再训练来自我进化。
🎯 关联：这篇很贴 Anna 的 agent 平台方向。核心不是 search，而是“环境可验证 + 失败可回放 + 自我改进闭环”，这正是 InternOS 如果要做长期 agent training/eval infra 必须补的能力。
3. Prismata：限制 Web Agent 跨站 Prompt Injection 的权限边界
Prismata: Confining Cross-Site Prompt Injection in Web Agents
🔗 https://arxiv.org/abs/2607.08147
💡 一句话：给 web agent 做 contextual least privilege：动态推导页面内容的 trust label，按权限裁剪 agent 可见内容和可执行动作。
🎯 关联：这篇和朋友的 AI sandbox / hardware infra 线高度相关。结论很直接：web/computer-control agent 的安全边界不能靠 prompt，必须在环境层做 visibility/action confinement。
4. UniLM-Nav：零样本 Last-Mile Navigation 的统一框架
UniLM-Nav: A Unified Framework for Zero-Shot Last-Mile Navigation
🔗 https://arxiv.org/abs/2607.06537
💡 一句话：把移动操作的最后一米拆成 view selection、affordance grounding、geometry-aware base-pose reasoning，用 MLLM 统一解决。
🎯 关联：这篇的价值在“执行前姿态准备”。对 agent 系统来说，很多失败不是不会规划，而是缺少 action precondition / affordance / pose readiness 检查；InternOS 的执行层也需要类似 preflight verifier。
5. TouchWorld：预测 + 反应式触觉 Foundation Model 做灵巧操作
TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation
🔗 https://arxiv.org/abs/2607.07287
💡 一句话：把 vision-language subtask planning、tactile world-model prediction、action generation、高频 tactile residual correction 分层，解决接触、滑动、错位这些真实执行问题。
🎯 关联：这篇很关键，因为它把“慢 reasoning”和“快 feedback correction”拆开了。Anna 做 agent 执行系统时也应该记住：高层计划不能和低层纠错混在一个 loop 里，否则系统又慢又脆。
6. WAM-TTT：测试时看人类视频来 steering World-Action Model
WAM-TTT: Steering World-Action Models by Watching Human Play at Test Time
🔗 https://arxiv.org/abs/2607.06988
💡 一句话：冻结 robot foundation model，只用未标注人类视频做 test-time self-supervised video prediction，把行为偏好写进轻量 adaptive memory。
🎯 关联：这是 world model / policy adaptation 线里比较有意思的一篇。对未来 agent 平台的启发是：环境反馈和示范不一定都要变成 fine-tuning，可以先进入 episode-local / task-local memory。
7. VAORA：用视觉-动作结果对齐提升物理推理与任务泛化
Bridging Physical Reasoning and Task Generalization via Visual Action Outcome Reasoning Alignment
🔗 https://arxiv.org/abs/2607.06522
💡 一句话：针对 VLM 物理推理“嘴上会讲、动作不对”的问题，用 visual alignment reward 和 visual-action outcome reward 约束 reasoning 必须贴着真实结果走。
🎯 关联：这篇对 verifier 设计很有用：不要只验证 reasoning 文本是否合理，要验证 action outcome 是否支持 reasoning。Agent 的闭环评估必须落到世界反馈，而不是语言自洽。
8. TFP：给 VLA 加事件敏感的任务进度记忆
TFP: Temporally Conditioned Memory-Fusion Policies for Visuomotor Learning
🔗 https://arxiv.org/abs/2607.08283
💡 一句话：给 VLA 加 episode-local belief memory，让策略在接触、释放、子目标切换等关键事件附近动态更新任务进度，而不是只看当前帧反应。
🎯 关联：这篇的点很实用：agent 执行不是 stateless action prediction，而是维护“我现在做到哪一步了”。InternOS 的 task state / commitment tracking 也需要这种 progress belief，而不是简单日志。
今日判断
今天的趋势很清楚：前沿不再满足于“一个大模型直接出动作”，而是在往 agentic harness + memory + verifier + environment feedback 走。VLA 也开始被当成可组合、可约束、可重试的执行 primitive，而不是端到端神谕。对 Anna 来说，最该盯的是 Harness VLA、DeepSearch-World、Prismata：一个讲执行编排，一个讲可验证自进化环境，一个讲 agent sandbox 安全边界。