每日论文速递 · Embodied Agents & World Models

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

日期：2026-07-13

---

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 LLM embodied agent 从“同步问答式规划器”改成 OS 风格 runtime：多时间尺度异步 planning、Skill Kernel、调度抢占、speculative skill streaming，直接解决真实机器人控制里的 latency 和并发任务问题。

🎯 关联：这篇和 InternOS 很贴。它不是单纯机器人策略，而是在讲 agent execution runtime：任务进程、资源仲裁、抢占、低延迟反馈，这就是未来 AI Agent 平台执行层该长的样子。

---

2. 开放世界机器人规划中的不确定假设驱动模型扩展

Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning

🔗 https://arxiv.org/abs/2607.06501

💡 一句话：机器人在未知环境里自动生成、验证、更新关于状态和动作的假设，把“执行任务”和“验证世界模型”合在同一个 planning loop 里。

🎯 关联：这是 Anna 该重点看的方向：generator + verifier + environment feedback。它对 InternOS 的启发不是机器人本身，而是 agent 如何在不完整知识下维护可修正的任务模型。

---

3. 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：构建一个 deterministic、verifiable 的 web/search 环境，让 agent 通过轨迹生成、过滤、混合、微调来自我进化，而不是依赖更强 teacher model。

🎯 关联：这篇对 AI sandbox 很有价值。真正能训练 agent 的不是“给它网页随便跑”，而是要有可复现环境、可验证 reward、失败恢复和反思机制；这和 sandbox / evaluation infra 是一条线。

---

4. Prismata：限制 Web Agent 中跨站 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，把页面内容按动态 trust label 隔离，限制 agent 能看什么、能做什么，降低 prompt injection 成功率。

🎯 关联：这篇不是 embodied robotics，但非常贴 agent 平台安全。只要 agent 接触外部环境，环境就是 adversarial；InternOS / sandbox 以后一定要有类似“untrusted observation isolation”的执行边界。

---

5. UniLM-Nav：零样本开放词汇 Last-Mile Navigation 框架

UniLM-Nav: A Unified Framework for Zero-Shot Last-Mile Navigation

🔗 https://arxiv.org/abs/2607.06537

💡 一句话：把 mobile manipulation 的最后一公里拆成视角选择、affordance grounding、几何 base-pose 推理，用 MLLM 直接推到可操作姿态。

🎯 关联：这篇的价值在于它把高层语言目标落到“可执行的空间约束”。对 agent 系统来说，这就是从 intent 到 executable action 的 grounding pipeline。

---

6. DSWAM：面向细粒度机器人操作的双系统 World Action Foundation Model

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

🔗 https://arxiv.org/abs/2607.04927

💡 一句话：默认用 System 1 World Action Model 执行动作，需要任务分解时才激活 System 2 vision-language planner，并用异步执行和 real-time chunking 避免控制阻塞。

🎯 关联：这篇结构很像 agent runtime 的分层执行：快路径负责稳定执行，慢路径负责规划/分解。Anna 做 InternOS 时也该坚持这个原则：不要让 LLM 永远卡在 critical path 上。

---

7. TouchWorld：用于灵巧操作的预测式与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 预测、动作生成、高频触觉残差修正拆成层级 policy，让机器人既能预判接触状态，也能实时纠偏。

🎯 关联：这篇是 embodied execution loop 的好例子：planner 不够，执行层必须有 fast feedback / residual correction。对未来 agent 平台，验证层和反馈层不能只是日志，必须能实时影响动作。

---

8. 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 一起预测未来 4D 动态，并把内部表示接 inverse dynamics head 做闭环动作输出。

🎯 关联：这篇代表 world model 正在从“生成好看视频”转向“为 action 服务的状态预测”。Anna 看它时重点看：world model 什么时候能成为 verifier / simulator，而不是 demo generator。

---

今日判断

今天最强信号很明确：embodied agent 的核心战场已经从“模型会不会看懂世界”转向“模型如何在环境里稳定执行、验证、纠错”。TypeGo、DSWAM、TouchWorld 都在绕开同一个坑：不能把 LLM/VLM 放在实时控制 critical path 上。

另一个趋势是 web/GUI agent 和机器人 agent 正在共享同一套问题：环境不可信、状态会漂移、执行要可验证、失败要能恢复。Anna 做 InternOS / sandbox 时别只盯 planning，真正的护城河会在 runtime、verification、feedback loop 和 trust boundary。