以下文章来源于具身智能之心 ，作者Junhao Shi等 具身智能之心 . 与世界交互，更进一步 点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Junhao Shi等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 2. 相关工作（Related Work） WAP 与现有工作最大区别： 在数据层显式绑定指令-环境上下文 ，且全程仅靠视觉闭环，无需特权信息。 3. 技术方法（Method） >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 ——开源LVLM新框架WAP登顶EmbodiedBench榜单 1. 引言（Introduction） 视觉-语言-大模型（LVLMs）正迅速成为具身规划领域的新核心，但现有方法大多采用 环境无关的模仿学习 ：把一句简化指令直接映射到动作序列，训练时既不关心房间布局，也不回顾历史观测。一旦遇到陌生场景、 多步目标或含糊措辞，模型便"盲人骑瞎马"，要么过度依赖外部反馈，要么陷入重复错误。 为破解这一瓶颈，复旦大学与上海创新研究院提出 W orld- ...