每日论文速递 · Embodied Agents & World Models

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

日期：2026-07-11

---

1. TypeGo：面向具身智能体的 OS Runtime

TypeGo: An OS Runtime for Embodied Agents

🔗 https://arxiv.org/abs/2607.05482

💡 一句话：把 embodied agent 从“LLM 同步问答控制器”改成 OS-style runtime：多时间尺度异步规划、Skill Kernel、调度、抢占、speculative skill streaming，目标是解决实时控制和并发任务。

🎯 关联：这篇对 Anna 最值得看。它几乎直接打到 InternOS 的核心问题：agent 执行层不是 prompt chain，而是 runtime、scheduler、resource arbitration、interrupt handler。

---

2. Harness VLA：用 memory-guided agent 驱动冻结 VLA 做可靠操作原语

Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents

🔗 https://arxiv.org/abs/2607.08448

💡 一句话：不微调 VLA，而是把 frozen VLA 当成可重试的 contact-rich primitive，再用 memory、failure model 和 planner 做语义重绑定、重试和 staging。

🎯 关联：很像 agent 执行系统里的“底层工具能力 + 上层 planner + 失败记忆”。对 InternOS 的启发是：不要幻想一个模型端到端解决执行，要把 primitive 的 operating range 显式建模。

---

3. Cortex：长程机器人操作的双向对齐具身智能体框架

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

🔗 https://arxiv.org/abs/2607.05377

💡 一句话：用 32 个 canonical skill primitives 把高层 VLM planning 和低层 VLA execution 接起来，解决长程任务里“计划语义”和“动作可执行性”断裂的问题。

🎯 关联：这篇是 planner/executor interface 的典型论文。Anna 做 agent 平台时，最该借的是它的“中间层 skill schema”，而不是具体机器人 benchmark。

---

4. DeepSearch-World：可验证环境中的深度搜索 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：构造 deterministic、verifiable 的 web/search 环境，让 agent 通过 trajectory generation、filtering、reflection、failure recovery 自我进化。

🎯 关联：这篇不是机器人，但很重要：它把“环境可验证性”放在 agent training loop 中心。对 InternOS 的启发是 generator + verifier + replay buffer + self-improvement loop 可以先在 web/computer-control 环境里落地。

---

5. Prismata：限制 Web Agent 跨站 Prompt Injection

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：动态标注页面内容信任级别，并通过 redaction 和 capability restriction 限制 agent 被网页内容劫持。

🎯 关联：这篇和 Anna 朋友的 AI sandbox / hardware infra 线很相关。结论很硬：agent sandbox 不能只靠“模型守规矩”，必须在观察面和动作面做权限隔离。

---

6. TouchWorld：用于灵巧操作的预测 + 反应式触觉基础模型

TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation

🔗 https://arxiv.org/abs/2607.07287

💡 一句话：把视觉语言规划、触觉 world model、动作生成、高频触觉 residual correction 分层，解决抓取滑动、接触不稳等局部反馈问题。

🎯 关联：这篇的价值不在“触觉”本身，而在控制架构：慢速语义规划和快速反馈修正必须拆开。未来 agent 执行层也会是这种 slow planner + fast reflex loop。

---

7. RynnWorld-4D：面向机器人操作的 4D 具身世界模型

RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation

🔗 https://arxiv.org/abs/2607.06559

💡 一句话：用 RGB + depth + optical flow 生成未来 4D 场景动态，并用内部表示直接接 inverse dynamics head 输出机器人动作。

🎯 关联：这是 world model 往 action policy 接口靠近的一步。对 Anna 的长期判断：world model 真正有用时，不是生成漂亮视频，而是能变成执行层的可查询状态预测器。

---

8. 先验证梦境，再相信它的判决：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：指出 world model 如果要作为 policy 的 test oracle，必须先被认证；视觉真实度不能证明它对动作后果判断可靠。

🎯 关联：这篇很对 Anna 的 verifier/system safety 胃口。未来 agent 平台里的 simulator/verifier 不能天然可信，验证器本身也要分级认证，否则就是“用幻觉检查幻觉”。

---

今日判断

今天最强信号不是“又出了几个 VLA”，而是 embodied agent 正在明显系统化：runtime、scheduler、skill interface、memory-guided retry、verifiable environment 都开始成为主角。

VLA 也在从端到端 policy 转向“可被 agent harness 调用的执行 primitive”，这对 InternOS 很关键：真正的平台价值在 orchestration 和 verification，不在单个模型能力。

另一个硬趋势是 safety/sandbox 开始进入 agent 执行闭环：web agent 的 prompt injection 和 world model verifier 的可信度，本质上都是“执行环境不能裸奔”。