跳到主要内容
返回时间线
arXiv来源发表:

编码智能体把一次试错变成可复用技能:EmbodiedEvo在RoboDojo仿真上平均得分44.48

核心概要

EmbodiedEvo让编码智能体在单个Playground场景中通过物理反馈反复修改代码,把成功的控制流程和失败条件固化为可复用的Skills与Lessons,再冻结后交给新场景中的独立智能体使用。在RoboDojo-Sim上,Astra/xhigh配置取得44.48平均得分和37.82%成功率,高于榜单上所有官方验证结果;配对测试中,仅给任务描述时成功率从8.50%升到30.17%,收益集中在依赖记忆的任务,精细接触控制仍然困难。

AI-generated editorial illustration: EmbodiedEvo: Self-improving Coding Agents for Physical Intelligence

深度剖析

机器人操作智能体不必在每个新场景从零试错,一次场景中积累的代码经验可以被冻结并带到同一任务的其他布局中。 此前的编码智能体每次开局都只拿到接口文档和任务描述,Astra在RoboDojo-Sim上的平均成功率只有8.50%。 在固定执行器和相同场景的配对测试中,仅提供任务描述时,带经验的EmbodiedEvo把成功率从8.50%提高到30.17%,平均得分从14.77升到38.64。

经验以两种可读文件保存:Skills是可执行的控制流程,Lessons记录适用条件、失败模式和恢复办法。 原始交互历史也能保留信息,但需要接收方自行从大量程序与反馈中筛选。 在Astra/xhigh、匹配测试场景下,Skills/Lessons取得38.64得分和30.17%成功率,原始历史为36.41和29.78%,而每个测试回合的平均总花费从12.203美元降到5.732美元。

经验获取与经验使用是两种不同能力,强模型产出的经验能提升较弱的执行器。 Sol和Luna依靠自身探索得到的harness几乎没有带来提升,Sol自身harness的成功率为2.50%,Luna为0。 相对无经验条件,Astra/xhigh的经验把Sol/xhigh的成功率提高8.86个百分点、Luna/xhigh提高5.50个百分点,Sol达到12.03%,Luna达到5.50%。

启示与展望

评估全部在RoboDojo-Sim仿真中进行,每个任务的harness在一个与测试布局不同的Playground场景上获得,测试时冻结为只读文件,执行器为GPT-6-Astra、GPT-5.6-sol和GPT-5.6-luna的指定推理档位。全量集每任务50个场景、单一随机种子,配对分析在每任务5个场景的dev集上完成。

配对运行只说明机制,未隔离单个构件(Skill或Lesson)的因果作用;精细接触任务如插管和插钥匙仍未取得dev集成功,成功率低于VPP2和Simate-beta;Skills/Lessons与原始历史的性能差异带有跨零的置信区间,不构成正式等价结论;成本数字按固定费率估算而非账单。