arXiv cs.AI· Xinyi Wang, Bangzheng Li, Hanyu Wang, Lin Zhang, Andrea Yaoyun Cui, Zhenggang Tang, Shyamal Buch, Dejia Xu·· 3 天前AI 评分51
SEAR：自进化智能体机器人框架与基准发布
SEAR: Self-Evolving Agentic Robotics
AI 导读
研究者提出 SEAR（Self-Evolving Agentic Robotics）框架与基准，用于检验语言模型智能体是否真正在机器人任务中学习，以及所学能否迁移到新任务、新模拟器和真实机器人。
正文 · AI 翻译
摘要：前沿语言模型智能体如今能够自行改进机器人：它们编写控制代码、进行测试，并将有效的部分保留为技能和记忆，用于下一个任务。我们提出 SEAR（Self-Evolving Agentic Robotics，自进化智能体机器人），这是一个框架与基准，围绕两个问题构建。智能体是真的在学习，还是只是尝试得更频繁？它所学的知识在新任务、新模拟器以及真实机器人上是否仍然有效？该框架以三种模式运行智能体：它编写成为策略的代码（代码即策略），在控制回路中实时行动（智能体即策略），或作为研究者对视觉-语言-动作模型进行微调（自动研究）。该基准增加了对照设置，以区分保留的经验与重复尝试、熟悉的任务、特权模拟器状态、更大的预算以及运气。在七个前沿语言模型、330 个模拟任务和五个物理任务，以及超过四年的智能体运行时间中，我们强调三项发现。第一，机器人智能体的学习曲线既取决于总体时间预算，也取决于相对于模型能力的任务难度。更难的任务使更长的会话更有价值；在较容易的任务上，反复重试短会话效果同样好。第二，控制代码和共享例程可跨任务和模拟器迁移，而任务特定的解决方案则不能。在真实机器人上，我们观察到智能体设计的练习与新颖的人类设计场景之间存在性能差距。第三，不同模型以不同方式更有效地进化。有些模型最擅长实时行动，另一些则最擅长先编写代码。而且，纯文本模型能与能力相当的多模态模型并驾齐驱：感知有助于错误评估，但智能体推理和工具使用可能更为重要。我们发布该基准和代码库，以支持未来研究。
| 评论： | 16 页 |
| 主题： | 机器人学 (cs.RO)；人工智能 (cs.AI)；计算与语言 (cs.CL) |
| 引用为： | arXiv:2610.18792 [cs.RO] |
| （或 arXiv:2610.18792v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18792 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Xinyi Wang [查看电子邮件]
[v1]
2026年10月13日星期二 17:40:20 UTC（19,808 KB）
来源：arXiv cs.AI · arxiv.org