10月14日，研究者在arXiv提交预印本AdaRSI，探索具身智能体如何在执行长程任务失败后，判断问题究竟来自调用方式、技能编排，还是执行模型本身的能力不足。论文原文
这项工作没有让机器人在每次失败后都重新训练模型，而是采用分阶段机制：首先由编码智能体改进机器人技能和任务执行框架；如果某些子步骤持续失败，再从保存的状态重新尝试并进行失败归因；只有被判断为执行器能力不足的子步骤，才使用系统自行收集的示范数据进行定向微调，同时保留此前任务积累的经验。论文原文
在RoboCasa365的50个目标任务上，研究团队使用GR00T N1.5作为执行器，且不提供人工示范。论文称，AdaRSI在三个测试套件上均提升了视觉—语言—动作模型的表现，并将未见组合任务的成功率从4.6%提高到13.8%。这一结果显示，具身智能的持续改进不一定意味着频繁重训完整模型，围绕任务分解、失败诊断和局部更新建立闭环，也可能是降低训练成本的一条路径。论文原文
不过，这仍是一篇尚未经过同行评审的预印本，实验使用的任务集合、执行器和成功率指标不能直接代表真实家庭或工业环境中的泛化能力。后续更值得关注的是，系统能否在不同机器人本体、传感器条件和更长任务链中稳定识别失败原因，以及自行生成的示范是否会把早期错误策略持续放大。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
