**World Action Agent：让视觉语言模型通过"世界行动预演"操控机器人**

_World Action Agent: Harnessing VLMs for Robot Manipulation via World Action Rehearsal_

> 研究团队提出 World Action Agent（WAA），一种多智能体框架，使视觉语言模型（VLM）能以基础工具直接驾驶机器人，并在视觉动作工作空间中完成所有决策。该工作空间具备三个特性：基于场景几何自动选取的接触视图、将每个动作转化为可编辑提案并通过 Imagination Agent 预演与修正的"行动预演"，以及在观测视图中闭环纠正执行偏差的视内校正。WAA 还能从专家视频与人类示教中演化多模态技能，并通过 Skill Agent 调用；其交互轨迹可训练更小的 VLM 来操控同一框架。在 LIBERO-Pro 上，仅用 LIBERO-90 演化技能即达到 75.6% 的平均成功率，超越端到端 VLA、代码即策略智能体及同骨干的视觉框架基线，且技能无需再学习即可迁移到 robosuite。用 Qwen3.5-9B 微调轨迹数据后，其域外成功率从 1.7% 提升至 43.3%。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.29964)