GenCoord：私有信息下的技能路径承诺

假设一个具身智能体知道必须建造什么，而只有它的队友知道其工作单元能够执行哪种变换。任何单一局部视角都无法决定谁应该行动、应该交接什么、以及联合任务应如何继续。我们提出GenCoord，它将这类私有事实的任务后果转化为可执行的技能路径承诺。本地Qwen3.5-0.8B模型生成多步SELF计划与同伴REQ；当决定性能力位于同伴本地时，有界反馈条件触发修订。被解决的承诺随后被解析、检查、规范化实例化、编译为Mineflayer技能，并通过交接与终止状态加以验证。在保持世界、调用调度与执行器不变的反事实干预下，请求方修订与接收方执行在两个方向上都跟随被注入的任务后果。在三个独立训练的种子上，正确的能力反馈将配对局部信息差距从50%弥合至100%。多步承诺使留出模板成功率提高6.9个百分点，同时将模型决策减少32%。在128个留出语义簇上匹配闭环质量时，与受控自由格式通信相比，Short DSL将同伴流量减少92.8%，将承诺达成的中位时间缩短68.2%。这些结果将可执行的任务后果确立为连接分布式局部推理与经验证的联合行动的协调单元。