具身智能日报 · 2026-09-20（论文周特辑）

具身智能日报 · 2026-09-20（论文周特辑）

周日产业新闻窗口薄（过去 24 小时无硬发布），本期切换「本周回顾」视角：arXiv cs.RO 本周（9.14–9.18 公告）共 511 篇，其中标题含 VLA 的 33 篇、World Model 的 18 篇、WAM（World-Action Model）的 12 篇、harness 的 7 篇——一个新缩写词在一周内完成"成词"，两篇综述同周挂出。本期以论文周为主轴，产业侧收尾。

今日要点

1. WAM 成词周：World-Action Model 以 12 篇标题论文 + 一篇 16 作者长综述（CMU×上海AI Lab×MBZUAI，Eric Xing / Danfei Xu / Ivan Laptev 在列）完成命名收敛——世界模型与动作生成正式合流 2. 世界模型评估学转向：清华×陶大程团队提出 Plausible → Controllable → Actionable 三级能力阶梯，核心论点是"人拿杯子前预判的是重量不是高清视频"——评估从视觉保真度转向行为收益 3. Self-Evolving AI for Humanoids 综述：部署后自改进拿到物理体版本系统综述（五元状态组 + 四机制递进 + 世界模型验证门），RSI 叙事正式进入机器人学 4. VLA 效率学开始受控实验化：固定骨干扫动作头的 EffVLA 发现"初始化 > 架构 > 损失"，π 系规模附近容量回报急剧递减 5. 产业侧接力：上海证券报 9.19 报道数据稀缺叙事——「数据下半场」从行业媒体扩散到证券媒体

详细内容

1. WAM 综述定调：世界模型与动作生成的交叉地带成域

• 来源：arXiv（2609.16074）
• 时间：9 月 13 日提交（9.14 公告），19 页，16 位作者
• 摘要：CMU、上海AI Lab、MBZUAI 等机构 16 人联合综述《World-Action Models for Robot Learning and Control: A Survey》，给出 WAM 的正式定义——把未来世界预测与可执行动作生成耦合起来的具身基础模型。综述逐一划清 WAM 与四个相邻领域的边界：传统世界模型、基于模型的强化学习、动作条件视频生成、reactive VLA 策略；再用统一分类学（表示、转移建模、动作接口、架构、训练管线、数据模态、扩展策略）组织现有方法，覆盖操作、导航、自动驾驶三大应用域。挑战清单里点名 action alignment、world-action 因子分解、空间/多视角一致性、长时程记忆、神经仿真与高效推理。本周 cs.RO 标题含 WAM/World-Action 的论文达 12 篇（Agile-WAM、MoWAM、JEPA-WAM、两篇 WholeBodyWAM、MaskHarness-WAM、TacSushi、DIDO 等），新词在产业侧"世界模型三周连发"（甲子光年 9.18 综述确认）的同一周完成学术侧成词。

2. 世界模型的三级能力阶梯：从"看起来对"到"用得上"

• 来源：arXiv（2609.16697）
• 时间：9 月 15 日提交，13 位作者
• 摘要：清华（高阳）、Dacheng Tao、Deheng Ye 等 13 人的《World Models for Embodied Intelligence: From Plausible to Controllable to Actionable》不按架构/模态/应用组织综述，而按能力强度分级：Plausible（保持任务相关的时序/几何/物理结构）→ Controllable（额外预测干预如何改变结构）→ Actionable（把预测转化为规划、动作、学习、评估、验证、恢复、数据选择的可测收益）。配套一个 3×4 矩阵（几何/物理/动作接地 × 数据/奖励/策略/模型自身的改进循环）。开篇的生理学论据值得记住：人伸手拿杯子前预判的是重量和抓握阻力，这种预判是粗糙的、几乎不产生画面，却足以塑造动作——世界模型的价值在改进行为，不在生成保真。

3. Self-Evolving AI for Humanoids：部署后自改进的物理体版综述

• 来源：arXiv（2609.13236）
• 时间：v1 于 9 月 2 日提交（30 页，本周在公告列表浮出；非本周新投，按海关纪律注明）
• 摘要：Korea University、NTU（Dusit Niyato）等 6 人的综述《Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement》指出：现有自进化研究几乎全在 disembodied 软件智能体上，物理体改变了问题本身。框架把部署态机器人表示为五元状态组（policy、perception、memory、workflow、body），由慢外环的 evolution operator 以终身目标更新；机制按自主度递进分四级：self-learning → self-adaptation → self-optimization → self-generation。安全设计上提出 admissible evolution 约束 = 世界模型验证门 + 人类监督包络；评估上主张跟踪 evolving trajectory 而非固定 checkpoint，并明确指出当前没有为 self-evolving humanoid 设计的 benchmark。

4. LIT 打破视觉-动作捷径：分布偏移下的泛化补丁

• 来源：arXiv（2609.12641）
• 时间：9 月 11 日提交，4 位作者
• 摘要：昆士兰大学等 4 人的《Breaking the Vision-Action Shortcut》命名了一个失败模式：VLA/WAM 模型会利用训练分布内与演示动作相关的任务无关视觉线索（vision-action shortcut），分布一偏移相关性失效、泛化崩塌。解法 LIT（Latent Interface Training）两阶段：Stage 1 完全不给图像，只用语言 + 机器人状态 + 每段演示的末端 SE(3) 位姿训练动作先验——捷径源头被物理切断；Stage 2 引入一个 pose 监督的 latent interface 作为动作专家的唯一视觉通路。在四个架构（Pi0.5、MolmoAct2、FAST-WAM、ImageWAM）上 LIBERO-Plus 提升 3.87–10.70 个百分点，真机在未见相机配置/光照/干扰物下提升 13.30–16.70 个百分点。

5. PreDE：量化税可以离线预测，但 bit width 解释不了它

• 来源：arXiv（2609.19441）
• 时间：9 月 16 日提交，5 位作者，9 页
• 摘要：WAM 依赖视频生成骨干，部署压力大；训练后量化能省内存但配置空间巨大（bit width × 分组 × 量化器选择）。PreDE 用小开发集的闭环结果校准两个阈值，从离线动作偏差预测量化后的任务退化，对新配置给出 accept/reject/defer 三态决策。数字：28 个 held-out 配置发出 21 个决策（75% 覆盖率）、全部与实测标签一致；被 defer 的候选里既有可接受的也有 33 个百分点的大幅损失。核心发现是量化税配置依赖且策略特异——bit width 单独或统一偏差阈值都解释不了退化。真机（Franka Research 3，450 次试验）上 W4A4 拿到 1.37× 动作查询加速 + 峰值内存降约 44%。

6. EffVLA：VLA 动作头的受控实验学，初始化是最大的零成本杠杆

• 来源：arXiv（2609.13984）
• 时间：9 月 12 日提交，12 位作者
• 摘要：中科院自动化所、腾讯等 12 人固定骨干家族（SigLIP2 + Qwen2.5）与训练管线，扫动作头设计/规模并与实测端上延迟配对。三个发现：①动作头性能主要取决于初始化而非解码器架构、损失或推理预算——把语言骨干最后几层 Transformer 拷进动作头是唯一在所有规模上有效的轴、零延迟成本；flow matching 和更重解码器只在动作头未对齐时有益、对齐后反转。②容量只在对齐之后才有回报。③回报在今日 π 系 VLA 已用的规模附近急剧递减——继续加大买不到多少域内精度。文中"我们给出的是最好组织这批测量的解释，不是已证明的因果，并点名能裁决它的对照实验"一句，是断言强度教科书写法。

7. 产业侧：上证报接力「数据稀缺」叙事

• 来源：上海证券报（新浪财经转载，k.sina.com.cn，标题可检索「具身智能 数据稀缺性 上海证券报」）
• 时间：9 月 19 日
• 摘要：上海证券报记者报道：机器人从表演展示加快进入分拣、装配、搬运等真实作业场景，高质量数据的重要性随之凸显，多位业内人士对记者强调具身智能行业数据的稀缺性。这是「数据下半场」叙事一周内的第三个接力节点（信通院口径 → 行业媒体 → 证券媒体），官方证券媒体的入场通常意味着叙事开始向资本市场定价层渗透。

编辑观察

其一：世界模型这一周完成了两次"价值声明"。第一次是命名收敛——WAM 一周 12 篇标题论文加一篇 16 人综述，把"世界模型 + 动作生成"的交叉地带正式圈成域；这距离甲子光年确认产业侧"世界模型三周连发"不到一周，学术侧与产业侧在同一时间窗口互相确认。第二次更值得注意：两篇综述不约而同把评估从"视觉保真度"拉向"行为收益"——三级阶梯的终级 Actionable 明确写的是"转化为规划、动作、学习、评估、验证、恢复、数据选择的可测收益"，开篇论据是"人预判的是杯子的重量不是高清视频"。这与本周产业侧的验证经济学全景（峰会把评测体系建设写进落地成果、以太直播把验证外包给围观群众）是同一件事的两面：生成能力过剩之后，全行业都在重新定义"什么叫好"——产业侧把验证搬进发布会和议程，学术侧把评估搬进闭环行为。可打脸预测：12 个月内具身顶会（CoRL/ICRA）出现 WAM 专题 workshop 或正式 track 关键词，且评测从 success rate 单指标转向分级能力报告。

其二：两个词汇溢出事件。本周 cs.RO 标题出现 harness 一词 7 次，其中 5 篇是强证据——Obstacle-Aware Harness（编码智能体的安全护栏）、MaskHarness-WAM、Graph-Based Harness（长时程操作评估）、Physics Harness-Guided（可形变装配）、以及 HarnessVLN 直接用了「Agent Harness」的完整 agent 工程术语。这与 OpenMAIC 当时 Harness/Skill 从工具链术语溢出到教育产品是同一现象：词汇溢出是范式扩散的先导指标，agent 工程的治理概念正在成为机器人论文的默认词汇层。另一个是 Self-Evolving AI for Humanoids 综述（v1 9.2 提交，本周浮出）：五元状态组里 workflow 与 body 并列、四级机制递进、世界模型验证门 + 人类监督包络——RSI 叙事拿到了物理体版本。但有一个细节值得警惕：它的 admissible evolution 约束里的验证门是世界模型（预测准不准）而非人类验证（断言真不真），验证带宽问题被转移进模型内部而非消除；「评估跟踪 evolving trajectory 而非固定 checkpoint」倒是与三级阶梯的行为化评估同构。顺带一笔：逐际动力 FluxVLA Engine 的 arXiv 论文版（2609.17210）也于本周挂出，昨日报道的开源仓库拿到了学术侧确认。

（明日恢复常规日报节奏。本期所有论文数字均从 arXiv abs 页实抓；上证报条目为转述层，标题可检索。）