arXiv cs.AI· Hyun Jung Lee, Jungtaek Kim, Jongwon Jeong, Tae-Eui Kam, Donghyun Kim, Yong Jae Lee·· 10 天前AI 评分29
EMHO：通过经验轨迹优化具身智能体框架
EMHO: EMbodied Agent Harness Optimization via Experience Traces
AI 导读
研究者提出 EMHO，一种自进化框架，在保持具身模型冻结的前提下，通过分析执行轨迹和历史框架来迭代修改智能体框架，优化其进度监控、视觉工具使用、观察 grounding 和失败响应方式。
正文 · AI 翻译
摘要：提升具身智能体通常侧重于通过训练优化底层模型，而控制规划、上下文和工具使用的周边智能体框架则通常依靠人工设计。我们探究该框架能否在稀疏环境反馈下，直接从经验轨迹中自我改进。我们提出具身智能体框架优化（EMHO），这是一个自进化框架，保持具身模型冻结，通过分析执行轨迹和先前的框架历史来迭代修订其框架。EMHO 的优化超越了技能或恢复提示，改变智能体监控进度、使用视觉工具、将观察落地以及应对失败的方式。为支持用单一框架处理多个子任务，我们引入 EMHO-Merge，它利用回合级收益与损失来指导基于证据的细化，决定修订后的行为何时以及如何应用，从而解决跨子任务联合优化单一共享框架时的权衡问题。我们在 EmbodiedBench 上跨导航和操作任务评估 EMHO，EMHO 在 Qwen 9B 和 27B 模型上均持续提升任务成功率。定性分析表明，EMHO 超越了从失败和无效动作中恢复，重塑了具身智能体解读环境并与环境交互的方式。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.08432 [cs.AI] |
| （或 arXiv:2610.08432v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08432 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hyunjung Lee [查看邮箱]
[v1]
2026年10月6日星期二 14:30:42 UTC（2,263 KB）
来源：arXiv cs.AI · arxiv.org