跳转至

Daily Papers

这里记录近期 AI 论文的阅读摘记，主要跟踪 Hugging Face Daily Papers、arXiv 与相关开源项目。页面保持 AI Wiki 的普通文档结构，按日期沉淀论文脉络，不做筛选器和搜索工具。

2026-07-06

Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots

论文链接：arXiv:2607.02501。方向：具身智能、机器人部署、VLA、World-Action Model、C++ 推理运行时。

问题背景

当前具身智能模型已经从单纯的视觉语言模型发展到 VLA 与 World-Action Model，但真正部署到机器人时，系统往往被模型专属 Python 栈、固定后端假设、传感器接口和机器人控制代码拆得很碎。普通推理服务更关注请求-响应吞吐，而机器人需要在闭环控制中稳定运行：低延迟、batch-1、多频率执行、硬件异构和动作接口扩展都比离线 benchmark 更关键。

核心方法

Embodied.cpp 的核心不是提出一个新模型，而是抽象出 VLA/WAM 的共同执行路径，并用一个可移植 C++ runtime 承接模型到机器人系统之间的工程层。它把部署流程拆成五层：输入适配器、序列构建器、骨干网络执行、头部插件、部署适配器。这样模型主体、传感器输入、动作头和机器人平台可以分开演进。

五层架构

  • Input Adapters：把图像、语言、机器人状态等异构输入转换成模型可消费的统一表示。
  • Sequence Builders：负责构造 VLA/WAM 所需的 token、状态序列或时序上下文。
  • Backbone Execution：把主干模型执行封装到统一后端抽象下，避免每个模型绑定一套部署栈。
  • Head Plugins：把不同动作预测头、世界模型头或控制头做成插件，方便扩展新模型。
  • Deployment Adapters：对接真实机器人、边缘设备或仿真器，让同一套 runtime 面向不同平台。

系统设计重点

论文强调三件事：第一，多频率执行，因为感知、语言条件、动作控制不一定以同样频率运行；第二，延迟优先的融合推理，因为机器人闭环控制通常是 batch-1 场景，不能只追求服务器吞吐；第三，可扩展的 operator 和 I/O 支持，因为具身模型输入输出不只是固定 token，还包括动作、状态、轨迹和机器人接口。

实验结果

论文在两个 VLA 模型 HY-VLA 与 pi0.5 上做闭环部署，报告的任务成功率分别为 100.0% 和 91.0%。在一个初步 WAM benchmark 中，LingBot-VA Transformer block 的内存占用从 312.2 MiB 降到 88.1 MiB。这说明它的价值主要体现在部署效率和系统可移植性，而不是单纯刷模型精度。

读后判断

这篇适合作为具身智能“模型部署运行时”方向的入口论文。它提醒我们：VLA/WAM 如果要进入真实机器人，关键瓶颈不只在模型能力，还在 runtime contract，也就是模型如何以可控延迟、稳定接口和跨硬件方式参与闭环控制。

记录模板

  • 论文：标题、链接、作者与日期。
  • 方向：归入 AI Wiki 的哪个主题，例如大模型、多模态、具身智能、计算机视觉。
  • 问题：论文想解决什么痛点。
  • 方法：核心结构、训练方式、推理方式或系统设计。
  • 价值：为什么值得放进 Daily Papers。