世界模型

语言条件操作既需要精确的富接触控制，也需要对语言、场景和长时程的稳健推理。端到端视觉-语言-动作（VLA）模型提供强大的局部视觉运动技能，但它们是在分布内任务轨迹上训练的，在语义重定向、目标重绑定、空间布局偏移和局部接触不稳定等部署扰动下常常失效。LLM 编码智能体提供互补的语义与组合推理，但纯解析原语在不规则抓取、受限放置和铰接物体交互上表现很差。本文提出 Harness VLA，一个记忆增强的智能体框架：它把一个冻结的 VLA 暴露为可重试的富接触原语，并与一个小型固定的解析原语库组合，用于接地、暂存、搬运、导航和释放。框架不去扩大技能库，而是从任务特异的执行轨迹、全局成功规则和失败模型中学习这些固定原语的工作范围。通过把语义重接地、非接触执行和 VLA 重暂存上提到规划器，同时把冻结 VLA 留给局部富接触阶段，Harness VLA 在不微调的前提下把预训练 VLA 扩展到其原始轨迹分布之外。在被扰动的桌面操作、家庭厨房操作和 clean-to-randomized 双臂操作上，Harness VLA 在 LIBERO-Pro 和 RoboCasa365 上分别比最强相关基线高出 38.6 和 27.1 个百分点，并在 RoboTwin C2R 上达到 58.4%。代码开源于 https://github.com/RLinf/RPent 。

Yixian Zhang, Huanming Zhang, Feng Gao

视觉语言动作模型机器人操控LLM智能体智能体运行时

PAPER2026年7月8日

EgoWAM：超越像素的世界动作模型

把骨干、动作头与数据配比全部锁死，只换世界模型的预测目标：像素几乎不迁移，DINO 让分布外物体与场景泛化最多提升 4 倍，相机稳定 3D 流让域内提升 20–30%，而推理时世界模型头被整个丢掉，部署成本与行为克隆相同。

Baoyu Li, Xinchen Yin, Mengying Lin

世界模型机器人操控模仿学习跨本体

VIDEO2026年7月8日

LingBot-World 2.0：无限交互世界模型开源

Robbyant 开源 LingBot-World 2.0，可生成小时级 720p/60fps 交互世界，并支持实时动作与智能体驱动演化。

PAPER2026年7月2日

执行器现实塑形实现零样本 sim-to-real 机器人学习

每关节2-DoF控制器（前馈+反馈）+可选扰动观测器让物理执行器复现仿真器二阶参考动力学，将 sim-to-real 适配从策略层移到透明驱动层，实现零样本迁移无需硬件特定数据。

Satoshi Yamamori, Koji Ishihara, Kenjiro Minamikawa

仿真到现实零样本执行器步态优化

PAPER2026年7月2日

VLA-Corrector：面向自适应动作视界的轻量级检测与纠正推理

视觉-语言-动作（VLA）基础模型在具身智能上进展显著。为降低策略调用频率并保持时间连贯性，多数生成式策略采用动作块机制，在固定动作视界下以开环方式执行多步未来动作。然而这种先预测后盲目执行的范式牺牲了闭环反应性：在接触丰富的物理交互中，即使微小的局部扰动也会在开环盲区内迅速放大，导致误差复合并最终任务失败。为此本文提出 VLA-Corrector，一个面向动作块 VLA 策略的轻量纠正推理框架。在不修改主干策略权重的前提下，VLA-Corrector 引入轻量潜空间视觉监控器（LVM），持续比较预测与实际的视觉特征演化，实现在线检测视觉动力学偏差；一旦检测到持续偏差，系统触发截断事件、丢弃剩余陈旧动作，并通过在线梯度引导（OGG）发起纠正重规划。该检测-纠正机制自然诱导出事件触发的自适应动作视界：当前动作块可靠时保留长视界执行，执行开始漂移时调用短视界纠正重规划，从而缓解静态视界在执行鲁棒性与策略调用频率之间的权衡。VLA-Corrector 可在不重训 VLA 主干的情况下集成到不同 VLA 模型中，在保留动作块效率收益的同时中断复合误差，显著提升长视界、接触丰富机器人操作任务的鲁棒性。

Yi Pan, Miao Pan, Qi Lu

视觉语言动作模型Robotic Manipulation动作分块流匹配