EmbodiedEvo 登顶 RoboDojo：失败的机器人练习也能被下一个 agent 继承
thetripathi58 · x · 2026-10-15
Navers Lab 与 Einsia AI 发布 EmbodiedEvo——一个通过代码在物理世界中行动与自我进化的编码 agent 框架：一个 Playground 产出可复用的 Skills & Lessons，无需更新模型权重即可迁移到未见过的场景。以 45.08 平均分、38.95% 成功率登顶 RoboDojo 榜首。
关键发现：
- 失败也有价值：一个 agent 在练习中从未完成传送带抓取任务，但仍摸索出了可用的抓取-提起策略；下一个全新 agent 复用该经验后，在 5 个新场景中成功率从 0% 提升到 40%
- 经验提升物理执行：仅在任务描述下，Astra/xhigh 在匹配场景上的成功率从 8.50% 提升至 30.17%
- 知识可跨 agent 迁移：同时提供 wiki 时增益依然保持（+8.86 / +5.50 个百分点）
- 榜单对比中在 Memory 维度尤其突出（71.90 分）
论文、项目页与 GitHub 均已公开。
所属事件:EmbodiedEvo 让编码智能体在物理世界自我进化(2 条相关)→
「具身」频道最新
- 网友实测：GPT-6 Astra 暂时还搞不定这道机器人难题 — DJiafei · 2026-10-16
- Dreamscale 发布物理 AI 云推理：单张 H100 并发跑 8 台机器人 — arnie_hacker · 2026-10-16
- WEDGE 框架用导航 agent 自身失败生成针对性训练环境 — EliasEskin · 2026-10-16
- Sandbar Stream Ring 入选 TIME 2026 最佳可穿戴发明 — km · 2026-10-15
- Nvidia 发布 Robota-Embed：统一 VLA 嵌入支撑机器人上下文学习 — arankomatsuzaki · 2026-10-15
- 中国创企 DexForce 用虚拟数据训练人形机器人，大幅压缩成本 — pstAsiatech · 2026-10-15