arXiv AI 前沿日报｜8 月 5 日：运行时编辑、世界模型体检与机器人数据

本期按北京时间 2026 年 8 月 5 日 08:15 截止：WorldExam 与 Ego2Robot 的 arXiv v1 首次提交日为 8 月 4 日；Harness-R1 首次提交于 8 月 3 日 22:12，作为 72 小时回看。三篇都有可打开的 X 讨论原帖，但截至核验时没有对应的 Reddit / Hacker News 直接帖；不同平台的互动数字不相加。

核心问题：Agent 做错事，不一定要先改模型权重；也可能是运行时没有在正确的生命周期节点提供提示、拦截或恢复逻辑。Harness-R1 冻结目标 Agent，训练一个基于 Qwen3.5-9B 的 9B「harness engineer」，让它根据失败轨迹修改可执行运行时。1

方法分两步：877 条经验证的冷启动 SFT 样本，再用约 1,500 个失败 batch packet 做在线 GRPO；每次生成 K=8 个候选 patch，用同批任务重跑后的成功率变化 ΔB(P) 给奖励。唯一 patch 动作是 add_code_hook，可挂在初始化、决策前、动作前和动作后四个生命周期节点，并用 AST 检查拒绝 import、IO、动态执行和信息泄漏。2

在 WebShop 500、ALFWorld 500、DBBench 300 个任务上，冻结目标成功率从 44.3% 提到 53.6%；supervised-only engineer 为 46.4%，固定编辑器 GLM-5.2 为 48.8%。20 个未见目标配置平均提升 7.06 个百分点，但有回退：论文只验证了 vanilla 目标到直接 SFT 后目标的单步适配，奖励来自同批任务重跑，也不保证 patch 没有回退。2

作者：Shuai Shao、Kangning Zhang、Qingyao Li、Shijian Wang、Hao Wang、Wenxiang Jiao、Yuan Lu、Yi Guo、Weiwen Liu、Weinan Zhang。机构为上海交通大学、小红书（Xiaohongshu Inc.）、东南大学；Shijian Wang 标注东南大学，其余作者标注上海交通大学和/或小红书。3

社区信号集中在 X：@dair_ai 的原帖显示 67 赞、72 收藏、7 转发、8 回复、4,767 浏览；@gm8xx8 的原帖显示 31 赞、29 收藏、4 转发、1,821 浏览。两帖都是第三方讨论，不是作者/团队原帖。45

核心问题：视频世界模型画面逼真、能听懂显式指令，是否就能对场景变化作出自然反应？WorldExam 用 Visual Quality、Control Adherence、Spatial Consistency、World Reactivity 四层诊断这个问题，覆盖 1,474 个测试用例、8 个任务、20 个模型，并统一比较 camera-driven、action-driven、language-driven 三种范式。6

静态场景轨中，NeoVerse 的 Overall 为 85.39；动态交互轨中，Veo 3.1 为 72.77，榜首并不相同。人类标注对齐达到 Spearman ρ=0.8614、PLCC=0.8583；更换 DA3 重建后端时，静态轨平均绝对相对变化为 3.09%，动态轨为 0.57%。这组结果支持论文的区分：视觉质量与显式指令遵循，不等于内在反应性。78

边界也写得很清楚：动态轨只适用于部分模型，Goal Completion 只覆盖 language-driven 模型，评测依赖 VLM 判分，界面维度仍不完整。作者：Yuxue Yang、Shuyao Shang、Jiahe Wang、Zitong Zhou、Liang Tan、Junhan Zeng、Ruizhi Li、Junyan Li、Yu Liu、Xiao Yang、Yong Li、Jun Zhu、Hongsheng Li、Tieniu Tan、Lue Fan、Zhaoxiang Zhang。机构映射为：CASIA（Yuxue Yang、Shuyao Shang、Jiahe Wang、Zitong Zhou、Liang Tan、Junhan Zeng、Ruizhi Li、Junyan Li、Tieniu Tan、Lue Fan、Zhaoxiang Zhang）；SLAI 与 CUHK（Hongsheng Li）；AMAP（Yu Liu）；THU（Xiao Yang、Yong Li、Jun Zhu）。8

社区信号目前很弱：@shumpeiMaxwell 的直接讨论帖在北京时间 8 月 5 日 07:37 页面显示为 0 赞、0 转发、0 回复、48 浏览；未找到作者帖、Reddit 或 Hacker News 直接讨论。9

核心问题：机器人演示昂贵且受形态限制，能否把第一视角人类操作视频转成可训练的机器人数据？Ego2Robot 依次做 Action Alignment、Visual Alignment、Quality Curation：用 21 个手部关键点重定向到平行夹爪，再用 SAM 3、ProPainter、IK 网格搜索和深度感知合成完成视觉对齐，最后用 L1/L2/L3 三级筛选。10

约 1,940 小时人类第一视角视频被转换为论文自报的 18,561 小时机器人训练数据，覆盖 15 种机器人形态。用 Qwen3.5-4B + DiT 在 RoboTwin2.0 和 EBench 上评测，Ego2R+Robot 1:1 的 Clean 成功率为 68.1%，robot-only 为 62.2%；EBench 为 49.8%，对照为 39.6%。但这不是 18,561 小时真实机器人采集时长，而是合成训练数据口径。11

论文限制包括：动作重定向目前只映射到平行夹爪，细粒度手指关节被丢弃；inpainting 与深度合成在遮挡或复杂光照下可能引入伪影；评测仍主要落在 RoboTwin2.0 任务范围内。作者及脚注归属为：Ye Wang（1、2，共一作）、Pei Lin（2、3、4，共一作）、Xiong-Hui Chen（2，共一作）、Haoqi Yuan（2）、Zhixuan Liang（2）、Yiyang Huang（2）、Anzhe Chen（2）、Zixing Lei（2）、Jie Zhang（2）、Tao Zhang（1）、Haoyang Li（2）、Tong Zhang（2）、Chenxi Xiao（3）、Ziyuan Jiao（4、5）、Qin Jin（1，通讯作者）。机构 1 为 AIM3 Lab（中国人民大学），2 为 Qwen Team（Alibaba Inc.），3 为 ShanghaiTech University，4 为 BIGAI，5 为北京航空航天大学。12

社区信号同样偏弱：@robotsdigest 主帖显示 28 赞、5 转发、2 回复、1,352 浏览，但它是第三方摘要转述，不是实验证据，也不是作者/团队原帖；未找到 Reddit 或 Hacker News 直接讨论。13

三篇论文的共同提醒很具体：模型分数之外，还要看运行时是否能修、世界模型是否真的会反应，以及训练数据的规模来自真实采集还是合成转换。