EmbodiedEvo：面向具身智能的自进化编码智能体
Einsia AI 的 Navers Lab 发布 EmbodiedEvo（ArXiv 2610.18867），让编码智能体在每任务专属的 Playground 场景中自由探索，把验证有效的操作封装为带检查条件的参数化函数，并积累文本经验供后续任务复用；reset() 仅在 Playground 可用。在 RoboDojo 基准上取得 45.08 平均分、38.95% 成功率，超过所有 VLA/WAM、独立 Agent 及 Agent+VLA 方法。轨迹分析显示 Astra 等基线智能体知道抓取目标但抓取不可靠，自进化技能弥补了该差距。论文、代码与项目主页已开放。
发布于 10-23 23:12来源：机器之心 JIQIZHIXIN
转载 · 官方发布原文：机器之心 JIQIZHIXIN ·《Zero-shot performance on a familiar scene is only the starting point. Faced with an unfamiliar robot, an agent must expl》查看原链
在熟悉场景上的零样本表现只是起点。 面对一台不熟悉的机器人，智能体必须探索——调用接口、摸索抓取——而每次尝试都会消耗任务预算。 更糟的是，它获得的经验不会自动迁移到下一个智能体。 VLA 模型需要大量轨迹来训练；如果智能体能先“训练”自己，再让积累的经验成为下一次运行的起点呢？
Einsia AI 的 Navers Lab 提出 EmbodiedEvo（ArXiv 2610.18867）。 EmbodiedEvo 为每个任务提供一个 Playground 场景，智能体可在其中自由交互，积累代码技能（Skills）与文本经验（Lessons）。
探索中验证有效的操作会被封装为带检查条件的参数化函数，可在后续任务中复用。 reset() 调用仅在 Playground 中可用，Test 中不可用。 在被称为“具身智能珠峰”的 RoboDojo 上，EmbodiedEvo 取得 45.08 的平均分与 38.95% 的成功率，超过所有 VLA/WAM、独立 Agent 以及 Agent+VLA 方法。
轨迹分析显示，Astra 等基线智能体知道该抓什么，但尚未学会可靠抓取；EmbodiedEvo 自进化的技能弥补了这一差距。 论文、代码与项目主页均已开放。 结果：EmbodiedEvo 让编码智能体通过 Playground 探索自我进化——积累可复用的代码技能与文本经验——在 RoboDojo 上达到 45.08 平均分 / 38.95% 成功率，超过所有 VLA/WAM、Agent 与 Agent+VLA 基线——来自 Einsia AI Navers Lab，论文、代码与项目均已开放。
EmbodiedEvo：面向具身智能的自进化编码智能体