26年10月来自Navers Lab, Einsia.AI和清华大学的论文“EmbodiedEvo: Self-Evolving Coding Agent For Physical Intelligence”。

EmbodiedEvo 最有价值的贡献，是证明具身智能体可以把交互经验沉淀为可迁移的代码与操作知识，在不更新模型权重的情况下明显改善后续执行；但它尚未证明这种“自进化”能够产生可靠、通用的物理控制能力。

一、EmbodiedEvo 究竟在“进化”什么？

它进化的是模型外部的经验库，论文称为 harness，主要包含两部分：

经验形式	内容	解决的问题
Skills	参数化的 Python 控制程序，包含运动步骤、条件检查和动作预算	如何执行操作
Lessons	适用条件、失败现象、诊断方法、恢复建议及未验证假设	何时使用、如何判断是否有效

例如，抓取技能可以执行“对齐—下降—闭合—抬升”；相应的 Lesson 则提醒：“机械臂到达目标位置不等于物体已被抓住，抬升后必须检查物体是否仍被夹持。”

EmbodiedEvo 概览如图所示：

整个流程分为两阶段：

1. Playground：探索并积累经验。 每个任务提供一个固定场景，智能体反复观察、编写代码、执行、检查反馈，并修改 Skills 和 Lessons。允许重置同一场景，但代码执行次数和时间预算不会随重置恢复。
2. Test：冻结经验并验证迁移。 新场景使用全新的智能体、工作区和运行环境，只继承只读的 Skills/Lessons。智能体仍可根据当前反馈修改执行程序，但不能重置环境，也不能把测试经验传给下一个测试场景。

这里有两个重要边界：

• “单场景学习”指每个任务一个探索场景，并非一次交互。 每条探索链最多允许 100 次代码执行，而且可重置。
• “自进化”是外部程序与知识的迭代修改。 文中没有模型参数学习，也没有明确的种群、变异和选择算法；测试阶段同样没有持续更新共享经验库。

控制层面，模型输出代码，代码调用关节或末端位姿控制接口；底层控制器仍负责逆运动学与插值。因此，它实现的是经程序接口进行的闭环控制，不能直接等同于从视觉到电机力矩的完整控制学习。

二、为什么这种方法有效？

它主要减少了后续任务中的重复试错和阶段判断错误。

如图所示具身控制的范式比较：VLA、智能体+VLA、LLM/VLM和本文的智能体模式。

没有历史经验时，智能体可能知道任务步骤，却不知道当前机器人应该如何稳定抓取、携带，以及何时才能进入下一阶段。EmbodiedEvo 把这些探索结果保留下来：

• 操作复用： 井字棋任务继承抓环程序，避免反复空抓。
• 阶段判断： 模仿排序任务先观察完整演示，再开始操作；迁移的是观察策略，而非固定物体顺序。
• 结果检查： 堆叠任务继承小步移动与负载保持检查，区分“位姿达到”和“操作成功”。

因此，它改善的不只是初始计划，还包括控制程序中的具体参数、检查点和恢复方式。但这些收益仍依赖执行模型正确理解当前场景和选择经验。

三、主要贡献及其证据

1. 用相对清晰的实验隔离了跨场景经验的价值。

最有说服力的是表 4 的配对实验：执行模型、测试场景和任务信息保持一致，仅改变是否提供经验。

测试输入	无经验成功率	EmbodiedEvo 成功率	提升
仅任务描述	8.50%	30.17%	21.67 个百分点
任务描述＋官方 wiki	13.36%	35.08%	21.72 个百分点

即使双方都获得操作说明，经验仍带来明显收益，支持“物理交互能产生额外的执行知识”这一结论。

完整评测覆盖 42 个任务、2,100 个测试回合，平均 Score 为 44.48，成功率为 37.82%，高于论文所列榜单结果。注意这里的平均值对五个任务类别等权，并非直接对所有回合求成功比例。

2. 将“获得经验的能力”和“使用经验的能力”区分开来。

表 6 显示，较弱模型自主探索的收益很有限，但可以利用强模型产生的经验：

• Sol 使用 Astra 经验后，成功率从 3.17% 提升至 12.03%。
• Luna 从 0% 提升至 5.50%。
• Sol 使用自身经验时，成功率只有 2.50%。

这说明可执行代码和显式条件可以作为跨模型传递控制知识的载体。其意义在于：高成本探索与后续执行，有可能由不同能力的模型承担。不过，论文尚未给出完整的成本最优配置。

3. 经验不必来自完整成功轨迹。

传送带图像抓取任务中，Playground 在 100 次代码执行内没有完成任务，但已经发现了有效的局部抓取与抬升操作。继承这些经验后，测试成功率从 0% 提升至 40%。

这是一个有价值的发现：任务失败不代表其中没有可复用的局部能力。 不过，这项证据主要来自个案，还不足以量化失败经验的一般价值。

4. 结构化经验比直接携带原始历史更经济。

在相同探索来源和测试条件下：

经验形式	成功率	每测试回合估算成本
无经验	8.50%	$4.058
原始交互历史	29.78%	$12.203
Skills＋Lessons	30.17%	$5.732

它支持将交互历史整理成便于调用的程序与指导，而非不断累积原始记录。

如图所示通过统一仿真接口实现代码-到-任务的映射：

四、主要不足与需要谨慎解读的地方

如图所示EmbodiedEvo框架：

1. 方法创新主要在系统组织和实证，核心学习机制较弱。

按论文自身的相关工作梳理，程序控制、技能库、反思记忆和经验迁移都已有先例。EmbodiedEvo 的辨识度主要来自这些机制在具身任务中的组合，以及冻结经验后的跨场景、跨模型评估。

经验生成主要由提示词驱动智能体自行完成。论文没有充分建立自动化的技能验证、错误知识淘汰、冲突消解和可靠性估计机制。它证明了保存经验有用，但还没有解决哪些经验值得长期信任。

2. 缺少 Skills 与 Lessons 的独立消融。

文中比较了“无经验、原始历史、Skills＋Lessons”，但没有系统比较：

• 仅 Skills；
• 仅 Lessons；
• 去掉前置条件、失败诊断或结果检查；
• 等长度的通用操作建议。

因此，现有结果不能确定代码复用、文本指导和二者协同各贡献多少。案例能够解释可能的机制，却不能替代因果消融；论文对此也有所承认。

3. 泛化范围仍然有限，并出现负迁移。

主实验主要测试同一任务的新布局；跨任务迁移只有固定的 12 个目标任务，未验证跨机器人、跨仿真器或真实世界迁移。

附录还报告了反例：无经验时成功的大象玩具抓取，在继承经验后失败；相关经验来自剪刀抓取。这说明源场景中的成功操作不一定适用于新的物体几何。作者也谨慎指出，单条轨迹不能证明保存的指导就是失败原因。

此外，“不相关任务经验”在所选子集上优于“相关任务经验”，说明任务语义相似度不足以决定迁移效果，但不能据此推出不相关经验普遍更好。

4. 精密接触与长程可靠性仍是明显短板。

完整评测中：

• Precision 成功率为 13.25%，低于表中 VPP2 的 35.17%。
• Long-Horizon 为 23.50%，低于 Simate-beta 的 43.42%。
• 插钥匙任务成功率仍为 0%。

这些结果反映了“知道操作流程”与“可靠完成接触动作”之间的差距。RGB 与机器人状态不足以直接消除接触几何、夹持稳定性和动作衔接的不确定性。

因此，论文平均成绩领先的优势主要集中于 Memory 和 Open 类任务，不能解释为各类机器人控制能力全面领先。

5. 统计证据不足以支持部分较强表述。

主要消融和迁移实验每任务仅 5 个场景；完整评测也只报告一个种子。探索链本身的随机性，没有通过多次独立经验获取充分评估。

尤其是“结构化经验与原始历史性能相当”，附录 E 给出的成功率差值为 0.39 个百分点，95% 区间为 −5.11 至 5.94。这支持“观测结果接近”，并非严格的等效性证明。

6. 成本优势有明确条件，实际部署效率仍未得到验证。

“降低 53% 成本”需要结合三个事实理解：

• 比较对象是原始历史，而非无经验基线；相对无经验，测试费用增加 41.3%。
• 不包含 Playground 探索费用，尚不能判断需要复用多少次才能摊薄前期成本。
• 总 token 仅减少 11.3%；更大的费用下降与缓存命中和固定计价方式有关，属于估算费用。

同时，Skills/Lessons 每回合平均仍消耗约 396 万累计 token，代码执行次数从 22.3 增至 29.0，原生动作数基本不变。论文没有给出足够的真实执行延迟证据，不能由此认定适合实时机器人部署。

7. 榜单结果不能直接证明该路线优于 VLA。

不同系统的预训练数据、探索预算、推理计算和控制接口并未全面对齐。EmbodiedEvo 在特定基准上的优势是有意义的，但“哪种具身学习范式更优”需要同等资源与控制条件下的比较。对本文而言，固定模型和场景的配对实验，比跨系统榜单排名更能支撑其核心主张。

如果继续推进这项研究，可补三类实验：Skills/Lessons 的因果消融、多探索种子与扰动条件下的技能可靠性验证，以及包含探索成本和实际延迟的真机测试。 它们分别决定这套方法究竟靠什么有效、经验能否被信任，以及收益能否转化为实际机器人能力。