World Action Agent：通过世界动作预演用 VLM 驱动机器人操作

论文提出 World Action Agent（WAA），一种多智能体框架，让通用 VLM 借助基础工具直接操控机器人，所有决策都在具备三种特性的视觉动作工作区内完成：自动选择的接触视角、可编辑的动作预演、以及视图内校正闭环。在 LIBERO-Pro 上，仅用 LIBERO-90 演化出技能的 WAA 达到 75.6% 平均成功率，超过端到端 VLA、代码即策略智能体和同骨干的视觉框架基线。

此前 VLM 用于机器人操作多是间接的，例如预测约束、编写程序，或只给模型一个场景视图而非可行动的世界。WAA 把 VLM 放进可预演、可修正的视觉动作工作区，并让同一工作区同时承接技能演化与轨迹积累。

接触视角从场景几何自动选取，把当前交互周边呈现给模型；动作预演把每个动作变成可编辑提案，由智能体本身或 Imagination Agent 依据规划反馈预览和修改后再执行；视图内校正则在观察与低层执行之间闭环，让智能体在能看到偏移的视图中消除残余误差。技能经由 Skill Agent 以证据评审方式从专家视频和人类教学中演化，交互轨迹又用于训练更小 VLM 驱动同一框架。

对机器人产品团队而言，可采用“大模型决策＋小模型执行”的分层路径：先以 VLM 加工具驱动，积累交互轨迹后再蒸馏到较小模型，降低推理成本。同一技能在 robosuite 上无需再学习仍有效，说明技能具备一定跨环境复用性，可减少重复训练与数据采集投入。

• 在自有机器人任务上复现 WAA 工作区，验证接触视角、动作预演和视图内校正三项机制各自的收益。
• 把专家视频与人工教学整理为可评审的技能演化流程，建立可检索的技能库并接入 Skill Agent。
• 采集框架交互轨迹，用于微调团队可部署的小尺寸 VLM，比较其域外成功率与推理成本。
• 优先在 LIBERO-Pro 之外的真实或仿真长程操作任务上测试技能跨环境迁移，评估复用边界。

• WAA 在 LIBERO-Pro 之外的真实机器人任务上成功率如何，证据未给出。
• 同一技能在 robosuite 上仍有效，但迁移所需前置条件与失败场景未被说明。
• Qwen3.5-9B 微调后域外成功率提升的具体数值在证据中被截断，无法确认。
• 技能演化中基于证据的评审由谁执行、如何判定质量，证据未展开。