TVWorld：遥控电视智能体的基础

近期的大型视觉语言模型（LVLMs）已展现出在设备控制方面的巨大潜力。然而，现有研究主要聚焦于点击（PnC）交互，而日常电视使用中常见的遥控（RC）交互在很大程度上仍未被探索。为填补这一空白，我们引入了 \textbf{TVWorld}，这是一种基于图的真实世界电视导航离线抽象，可实现可复现且无需部署的评估。在此基础上，我们衍生出两个互补的基准测试，以全面评估电视使用能力：用于拓扑感知导航的 \textbf{TVWorld-N} 和用于焦点感知定位的 \textbf{TVWorld-G}。这些基准测试揭示了现有智能体的一个关键局限：在基于焦点的长时程电视导航中拓扑感知不足。受此发现启发，我们提出了一种 \emph{Topology-Aware Training}（拓扑感知训练）框架，将拓扑感知注入 LVLMs。利用该框架，我们开发了专为电视导航定制的基座模型 \textbf{TVTheseus}。TVTheseus 在 TVWorld-N 上取得了 $68.3\%$ 的成功率，超越了 Gemini 3 Flash 等强大的闭源基线，并确立了 state-of-the-art (SOTA) 性能。补充分析进一步为开发有效的电视使用智能体提供了有价值的见解。