SEAR 首次大规模对照研究：7 个前沿 LLM、330 项任务检验自进化机器人
xiye_nlp · x · 2026-10-16
Xinyi Wang 等人发布 SEAR（Self-Evolving Agentic Robotics）论文（arXiv:2610.18792），号称首个针对自进化机器人 Agent 的大规模对照研究，核心回答两个问题：LLM 机器人 Agent 成功率随练习提升，究竟是真的在学习还是只是试得更勤？学到的技能和记忆能否迁移到新任务、新模拟器乃至真机？
实验设置
- Agent 以三种方式改进机器人：写代码作为策略（code-as-policy）、在控制回路中实时行动（agent-as-policy）、作为研究者微调 VLA 模型（auto-research）。
- 覆盖 7 个前沿 LLM、330 个仿真任务、5 个真机任务，累计超 4 年 Agent 运行时长；每项对比均设匹配对照组，并用未见过场景的密封评审保证评分公正。
主要发现
- 学习曲线同时取决于总时间预算和任务难度相对模型能力的关系：难任务值得更长会话，简单任务上短尝试反复重摇效果相当。
- 控制代码与共享例程可跨任务、跨模拟器迁移，任务特定解法则不能；真机上 Agent 自主练习与人类设计的新场景存在性能差距。
- 不同模型以不同方式进化更有效（摘要此处截断）。
「具身」频道最新
- SlipSense 触觉研究:23.1ms 检测机械打滑,可零样本跨平台迁移 — micoolcho · 2026-10-16
- 李飞飞团队开源 OpenWAM：统一世界-动作模型框架，让机器人视频预训练成大脑 — jiqizhixin · 2026-10-16
- 机器人折叠衣榜：GPT-6 Astra 1349 Elo 居首,Muse Wonder 1034 排第 6 — qinzytech · 2026-10-16
- NVIDIA TacitVLA：动作不读思维链，推理收益保留、延迟最高降 3.4 倍 — arankomatsuzaki · 2026-10-16
- 谷歌推 Gemini 4 Argon:想让机器人只需一个模型,ERQA 得分 87% — The Decoder · 2026-10-16
- 播客对谈：海底机器人的 1500 米深水创业与蓝碳生意 — blakemenezes · 2026-10-16