HarnessWAM提出弥合预测与推敲落差的智能体框架

HarnessWAM作者团队提出面向世界行动模型（WAM）的智能体框架，用基于视觉语言模型的Task Manager维护场景信念、把全局指令组织成结构化任务图，再经能力条件化的可执行空间投影编译为WAM支持的技能序列，以弥合预测与推敲的落差。 作者公布的评测显示：在RoboMemArena上取得平均最优表现，整任务与子任务成功率分别为64.4%和76.8%；在RoboCerebra Ideal上成功率23.7%。在实体UR3机械臂上，按形状条件的桌面整理整任务成功率达95%，依赖记忆的箱子探索达90%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。