arXiv cs.CL· Jie Huang, Yanan Chen, Ruixun Liu, Kaichen He, Xinyi He, Rui Huang, Zilong Zheng, Zhenliang Zhang, Yiwu Zhong·· 6 天前AI 评分31
EmbodiedCLBench：评估自进化具身智能体的持续学习能力
EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents
AI 导读
研究者提出 EmbodiedCLBench，首个在具身仿真环境中评估自进化智能体持续学习能力的基准，以组合泛化为核心原则，考察智能体能否先学基础任务再重组技能解决未见的高级任务。实验显示，零样本设置下高级任务几乎无法完成，但基础任务经验能带来稳定提升，且该提升不随任务复杂度增加而消失，却也不随学习样本数量增长而扩展。
正文 · AI 翻译
摘要：持续学习要求模型积累过往经验并将其迁移到新任务。尽管持续学习已有大量研究，现有工作仍主要局限于非具身环境，尚未扩展到具身环境。为填补这一空白，我们提出了 EmbodiedCLBench，这是首个用于评估自进化智能体持续学习能力的具身仿真基准。以组合泛化为核心评估原则，我们的基准评估智能体能否先从基础任务中学习，再重组所获得的技能以解决复杂、未见的高级任务。基于 EmbodiedCLBench，我们在多种智能体框架和学习方法上开展了大量实验，揭示出一致的局限性和独特的行为表现。结果表明，虽然高级任务在零样本设置下几乎无法解决，但来自基础任务的经验能够带来持续改进。即使任务复杂度增加，这种来自经验的收益仍保持稳定。然而，这种改进并不会随学习样本数量的增加而相应扩展，当前智能体无法从额外经验中提取有意义的信息。总体而言，我们的发现凸显了持续学习作为一种基础但尚未被充分探索的能力，我们的基准为在具身环境中设计有效的自进化智能体提供了宝贵资源。我们的代码和数据集可在 此 https URL 获取。
| 学科： | 人工智能（cs.AI）；计算与语言（cs.CL）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.13021 [cs.AI] |
| （或使用 arXiv:2610.13021v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.13021 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jie Huang [查看邮箱]
[v1]
2026年10月9日星期五 05:23:00 UTC（1,269 KB）
来源：arXiv cs.CL · arxiv.org