HarnessPAI：面向物理AI的可进化执行框架
arXiv 2609.29166v2 提出 HarnessPAI，一个与模型和本体无关的物理AI框架，将代码作为组织底层动作原语的可执行、可进化接口：单次 rollout 内以固定程序开环执行并检查，跨 rollout 则用执行反馈修订程序、把失败蒸馏为可复用技能。该框架在桌面机械臂、家用机器人、扫地机器人和足式行走智能体上相较基线取得一致提升；收敛后的程序还能为 VLA 与 WAM 模型生成微调训练数据，用于这些模型难以自行获得成功轨迹的任务。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《HarnessPAI: An Evolving Harness for Physical AI》查看原链
arXiv:2609.29166v2 公告类型：替换 摘要：物理AI旨在构建能够感知世界、理解与推理世界并决定如何行动的具身智能体。 然而该领域此前主要聚焦于最后一个环节：将观测映射为底层控制的动作模型。 主流训练范式可能侵蚀稳健行为所需的感知与推理能力，使即便强大的动作模型也易受场景扰动与长时程任务影响。
我们提出HarnessPAI，一个与模型和本体无关的物理AI Harness框架，将代码视为组织底层动作原语的可执行、可进化接口。 该框架区分两个时间尺度：在一次rollout内，它在程序层面开环执行，由固定程序引导并检查执行；跨rollout时，它闭环进化，利用执行反馈修订程序并将失败蒸馏为可复用技能。
在桌面机械臂、家用机器人、扫地机器人和足式行走智能体上，HarnessPAI相较基线均表现出一致提升。 除harness之外，收敛后的程序还可作为低成本、可靠的专家数据来源：它为VLA与WAM模型生成训练数据，用于微调这些模型自身难以获得成功轨迹的任务。
结果表明，物理AI的前沿不仅取决于更强的动作模型，也取决于将感知、任务理解与推理、动作执行整合为统一、可验证、反馈驱动系统的可执行harness。 网站：https://darwin-agent.github.io/HarnessPAI