由 Haowen Liu 等 8 位作者完成、以 arXiv:2606.18363v1 提交于 2026 年 6 月 16 日的论文《Guava: An Effective and Universal Harness for Embodied Manipulation》，提出了一套面向具身操作的工具调用式“驾驭框架”。该工作属于机器人学（cs.RO）与人工智能（cs.AI）交叉方向，论文摘要指出，基于大规模视觉-语言数据训练的语言模型已展现出成为具身智能体的巨大潜力，而通过具身工具使用来驾驭这些模型，为端到端的视觉-语言-动作系统提供了一条有前景的替代路径：它把高层推理与用于感知、规划和控制的独立外部模块结合起来。
不过，研究团队强调，此前尚不清楚什么样的“驾驭层”才真正适用于具身操作，也不清楚这种框架在多大程度上能够为各类不同的推理模型激发出具身能力。为回答这些问题，作者系统性地探索了智能体工作流、动作空间与观测空间的设计空间，并在此基础上构建了 Guava 框架。
研究归纳出构成高效具身智能体的三项关键要素：迭代式的“感知—推理—动作”循环、语义化的动作抽象，以及多模态观测。这些设计原则共同决定了一个驾驭层能否把语言模型的推理能力顺畅地转化为可执行的机器人操作行为。
为了检验上述原则是否同样适用于小模型，作者进一步搭建了一条端到端的训练流水线，用完全在仿真环境中采集、总量不足 2000 条轨迹的数据，将具身操作能力蒸馏进一个 4B 参数的开源模型。这一设置有意压缩了数据规模与模型体量，从而检验 Guava 设计是否具有普适性，而非仅对大型前沿模型有效。
在仿真环境与真实世界环境中的实验结果显示，该方案的性能可与前沿的专有模型相媲美，并且在面对未见过的物体、全新指令以及长时程任务时表现出较强的泛化能力。作者据此认为，一个设计良好的驾驭层可以成为可扩展、与模型无关的具身操作接口，使紧凑的开源模型仅凭少量训练数据便能获得强大的涌现式具身能力。
论文于 2026 年 6 月 16 日 18:09:26 UTC 以 v1 版本提交，文件大小约 7,463 KB，由 Xirui Li 提交；全文提供 PDF、实验性 HTML 与 TeX 源码等访问方式，DOI 通过 DataCite 分配（待注册）。