EmbodiedEvo机制拆解:不动权重登顶七系统对比,Skills+Lessons经验跨模型迁移+8.86分
Einsia AI旗下Navers Lab发布的自进化Coding Agent框架EmbodiedEvo,走了一条与主流VLA训练不同的路:让编程Agent直接写Python代码控制机器人,把交互中的物理反馈沉淀成可复用的代码技能和文字经验,再原封不动交给下一个Agent。
结果:RoboDojo仿真评测中取得44.48平均分和37.82%成功率,在论文对比的VLA、WAM、Agent及Agent+VLA四类七套系统中位居第一。值得强调的背景:整个过程没有更新任何模型权重。论文与代码均已开源。
Playground-to-Test:先攒经验,再进考场
EmbodiedEvo的核心机制可概括为Playground-to-Test:Agent先在每项任务的Playground场景自由探索,再带着冻结的经验进入全新测试场景。

探索阶段,Agent在一个持久机器人会话里编写并执行Python代码——观察执行结果、修改下一段程序、不满意可重置场景重来,每条探索链最多允许100次代码执行。环境接口被刻意收窄到四个原语:读取任务指令、查看当前状态、执行原生控制、重置场景。Agent看不到物体真值位姿、深度图和相机标定,逆运动学由机器人原生控制器负责——它必须像人类工程师一样,靠有限观测和试错摸清物理规律。
攒下的经验分两类:Skills是可执行代码,沉淀对齐、抓取这类操作流程;Lessons是文字,记录适用条件、失败模式与恢复策略。探索结束后,经验整体冻结。
测试阶段规则严格:每个测试场景配一个全新Agent、空白工作区和干净Python命名空间,继承的经验文件只读、场景重置禁用、测试场景之间不共享任何新经验。新Agent带经验零样本出发,执行中仍可根据现场反馈调整本地程序,但它攒下的东西带不走——考察的正是上一代经验本身的价值。模型权重、任务目标、原生接口和成功条件全程固定。
工程判断:这套实验设计的关键是隔离变量——经验是唯一变化的输入,其余全部冻结,测出的增益才能干净归因到经验本身。
成绩单:42任务、2100回合、七系统同台
评测规模:RoboDojo仿真覆盖42个任务,横跨泛化、精度、长程、记忆与开放五个维度,每个条件210个回合,完整评测共2100个回合。
同台对比的六套代表性系统:WAM类的VPP2与InternW0-Δ、VLA类的Simate-beta、Agent+VLA类的PhysicalRSI、纯Agent基线GPT-6-Astra。结果EmbodiedEvo以44.48分、37.82%成功率全面领先——领先第二名VPP2达5.22分;WAM类最强的VPP2为39.26分,VLA类最强的Simate-beta为33.95分。
分项成绩暴露鲜明的长短板:记忆类任务成功率高达69.67%,开放类任务53.00%,两项遥遥领先;而精度类任务只有13.25%,是七个分项中最弱一环。会记事、会规划,但精细接触仍是软肋。
三个关键实验:经验到底值多少
第一组对照:同一个GPT-6 Astra(xhigh档)Agent,只给任务描述时成功率8.50%,加上继承的Skills和Lessons后跃升至30.17%,提升21.67个百分点;把任务说明换成更丰富的wiki资料,同样从13.36%提升到35.08%。经验对执行能力的抬升在两种输入条件下稳定成立。
第二组是跨模型流动。GPT-5.6 Sol无经验时成功率3.17%,靠自己探索攒出的经验反而只有2.50%;用上Astra冻结的经验后升至12.03%,提升8.86个百分点。GPT-5.6 Luna更极端——自己的探索颗粒无收,Astra的经验把它从0带到5.50%。低投入档Astra(medium)也受益于高投入档前辈遗产:从4.33%升到23.06%。弱执行者用上自己难以获取的知识,这是"传帮带"最直接的注脚。
第三组回答:没做完的探索还有价值吗?图像条件下的传送带拾取任务,Agent在Playground执行满100次都没完成整个任务,但第74次执行中学会了移动目标的跟踪抓取与受接触保护的搬运。这些局部进展写进经验后,新Agent在五个从未见过的场景上把成功率从0做到40%。跨任务实验还发现,12个固定目标上,来自"外表不相关"任务的经验有时比相近任务的经验更管用——适用性取决于保留下来的操作本身,而非任务标签的相似度。
经济账:结构化经验便宜一半
把原始交互历史直接塞给下一个Agent是更朴素的方案。EmbodiedEvo的Skills和Lessons与它打平——成功率30.17%对29.78%——但测试阶段估算开销每回合5.732美元对12.203美元,省53.0%;token总量少11.3%,未缓存输入减少87.9%。经验的"压缩打包"本身就是价值。
工程判断:这组数据说明经验的价值不在信息量在结构——同样的成功率,成本减半,未缓存输入降87.9%意味着对长上下文推理成本的依赖被大幅压缩。
边界与行业坐标
论文没有回避短板:插管、插钥匙这类精细接触任务,EmbodiedEvo能拿部分分数,成功率始终为零——插钥匙案例里,失败甚至发生在插入动作开始之前的交接环节。团队在项目页明确写道:这项研究评估的只是一代经验的获取与继承,跨代持续改进与真机硬件表现仍是开放问题。所有成绩均在仿真环境取得。
时间线放在一起看更有意味:几天前Artificial Analysis的AA-Robotics榜单刚量化通用大模型操控真实机械臂的能力——GPT-6 Astra能拿69.4分,但单任务要花近半小时。EmbodiedEvo从另一个方向回应同一个问题:Agent某次任务的灵光一现,如何变成下次任务的起点。
先看自由度,再谈智能——EmbodiedEvo把自由度留在代码空间而非权重空间:权重不动,经验自己进化。两条线索拼在一起指向相似判断:通用大模型走进物理世界,缺的未必是更多参数,而是一套让经验可保存、可传递、可复用的机制。
以上信息由AI整理发布