文章摘要
针对当前具身智能配套支撑系统人工固定、仅改进单一模块的痛点，多机构研究团队推出首个“系统即策略”自进化框架RoboFoundry。该框架冻结基座大模型参数，仅进化模型周边支撑系统，支持跨平台复用，多项测试显示其大幅提升性能，可实现真机跨任务零样本迁移与在线进化，提出具身智能进步可依托系统生态优化实现。

相同的大模型在不同的具身智能系统中表现差异悬殊。以GPT-5.5为例，直接使用时在EmbodiedBench基准上的平均成功率仅为56.9%；当保持模型参数完全不变，仅对模型周边的支撑系统进行持续进化后，这一数字提升到了72.7%。这种性能差异的核心来源并非模型本身，而是模型接收的信息、留存的经验，以及决策转化为物理动作的完整流程。

长期以来，大模型在机器人系统中的角色一直在向上迁移：从最初的高层规划器，到代码即策略框架中整合感知与控制原语的决策核心。但围绕模型的配套系统大多仍是人工搭建且部署后固定的，现有研究往往仅改进记忆、技能、交互组件中的某一个部分，执行中暴露的问题也仅用于评测或人工调试，导致同类弱点会在多个任务中反复出现。

由此，一个全新的研究方向被提出：具身智能体能否将整套系统作为策略，自主诊断系统短板并从实践中进化？

近期，多机构研究团队推出了RoboFoundry框架，这是首个将智能体系统本身形式化为“自进化的系统即策略”的具身智能体方案。该框架保持基座模型参数冻结，进化仅发生在模型周边的上下文系统、技能系统与执行接口层，同时通过共享语义接口实现不同机器人平台之间的系统复用。

在多项基准测试中，RoboFoundry让五款基座模型全部实现性能提升；在长程记忆基准RoboMemArena上，任务成功率比所有基线模型高出至少39.0%；在LIBERO-PRO的扰动测试中，性能比CaP-Agent0提升243.8%至679.7%。此外，该框架还在真实机器人上实现了跨平台、跨任务的零样本迁移，以及部署后的在线进化。

基础研究信息

  • 论文标题：RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents
  • 论文链接：https://arxiv.org/abs/2609.32862
  • 项目主页：https://jingsongliang.com/robofoundry

模型冻结，系统进化：像维护代码库一样迭代自身

RoboFoundry的核心设计思路是不更新基座模型的参数，仅优化支撑模型完成任务的整套系统。这套系统以文件目录的形式存在，模型可以像开发者维护代码库一样，通过查看、添加、修改、删除操作来迭代系统。系统分为两层：服务于当前任务的任务级系统，以及跨任务、跨机器人本体持续留存的通用系统。

进化过程通过内外双层循环实现：内循环负责执行任务并记录执行轨迹；外循环则根据轨迹分析问题并提出系统修改方案，再交由后续执行环节验证效果。修改主要作用在两个核心进化面上：

  • 上下文面：管理当前回合的活跃上下文与跨回合的文件系统记忆，通过保存、检索、利用三类操作决定需要记录、调取和使用的信息。
  • 技能面：覆盖从原子技能到组合流程再到失败恢复树的完整技能体系，当执行出现失败时，系统可以从有效状态重新规划任务。

在两个进化面之下，还存在一层共享语义接口。语义层仅处理跨机器人本体的通用任务逻辑，执行层则负责将决策适配到具体的机器人硬件上，后端可以是冻结的视觉语言模型、编码智能体生成的函数，或是视觉运动接口。由于进化仅作用在语义层面，在一台机器人上进化出的系统，仅需要更换执行适配层，就可以在另一台机器人上复用，也可以接入不同的基座模型。

有诊断、有验证的进化闭环，而非无约束的自我重写

当执行过程中出现失败或低效时，RoboFoundry会先将问题归因到六大能力维度：感知、推理、规划属于决策能力，保存、检索、利用属于记忆管理能力。系统仅会在对应的进化面上提出修改方案，且只有能够修复当前任务失败的修改才会被正式提交。

具体来说，RoboFoundry会先将成功的修改抽象为候选规则，随后在其他任务中寻找同类能力缺口的修复记录，回放这些任务修复前的状态，让应用候选规则的系统重新生成修复方案。接着由系统自身充当验证者，将新方案与当时实际奏效的修复进行对比打分，只有平均得分不低于原有修复的候选规则，才会被写入通用系统。

举个具体的进化示例，在EB-Habitat的空间关系子集任务中，以GPT-5.5为基座模型的系统经过六次候选评估：前三次修改成功将held-in成功率从21.4%提升至50.0%；接下来两个候选仅达到42.9%，未被采纳；最后一个候选将成功率推至78.0%，并通过了held-out检查，最终被标记为晋升进通用系统。

被接受的修改会以具体的文件改动形式落地。例如针对“将水槽中的清洁剂全部移至沙发”这类指令，系统规则被调整为： 

- Each plan should include no more than 20 actions.
+ Prefer one action; at most two when both are currently supported.
+ After Navigation, observe before Pick/Place/Open/Close.
+ Trust environment feedback over visual appearance for proximity.
+ After a not-near Pick failure, navigate before retrying.
这些新规则中没有出现具体的物体名称，因此可以跨任务共享。整个进化过程会被记录在专属目录中，论文将其称为“进化账本”，方便回溯查看。

全基座性能提升，模型间差距显著缩小

EmbodiedBench包含四个环境中的1128个任务，覆盖高层语义规划与底层动作执行。所有测试设置使用相同的任务流与交互预算，从第一个计分回合就开始进化，进化过程中的每一条轨迹都会计入最终成绩。

测试结果显示：

  • GPT-5.5的相对提升幅度达到27.8%，进化后的GPT-5.5性能已经高于未经进化的GPT-6 Astra。
  • 不同基座模型之间的性能差距明显缩小，五款基座原始成绩的最大差距为19.6个百分点，接入RoboFoundry后这一差距缩小到约11.5个百分点。
  • 即便是性能最强的模型也能从系统进化中获益，GPT-6 Astra的相对提升幅度为8.5%。

消融实验验证了通用进化模块的关键作用：以Qwen3.7-Plus为基座时，完整版框架比仅保留任务级修改的Lite版相对高出11.2%。当将上下文预算从4K扩展到16K后，原始模型的成绩有升有降，但在16K的设置下，RoboFoundry依然让四款参与测试的基座模型相对各自基线实现7.9%至13.1%的性能提升。

长程记忆与分布偏移：进化不止于提示词调整

RoboMemArena是长程记忆基准测试，包含26个任务，分为搬运、遮挡、计数、顺序四类。以Qwen3.7-Plus为基座的RoboFoundry取得了53.5%的任务成功率和72.8%的累计成功率，四类任务全部领先，其任务成功率比所有基线模型至少高出39.0%。

在这一基准上，进化修改的不仅是提示词，还包括决定“保留什么状态、检索什么证据、如何向模型呈现信息”的整套机制。例如，将任务进度转换为当前子目标，以及明确规定“尝试过的指令不能作为物理成功的证据”等规则。

LIBERO-PRO用于测试系统在物体布局和任务设定变化下的鲁棒性。在不使用特权物体位姿的方法中，RoboFoundry的平均成功率最高，达到91.9%；其性能比CaP-Agent0高出243.8%至679.7%的相对提升幅度。

进化后的系统还会将改进分为两种时间尺度：可复用的组合技能会被长期保留进共享系统，而单次试验中临时生成的恢复逻辑则仅留存于当次试验中。

真机落地：零样本迁移与在线进化

真机实验旨在验证通用的RoboFoundry系统能否迁移到物理机器人上，并在部署后继续进化。实验中，RoboFoundry以GPT-5.5为基座模型，以视觉语言模型为操作执行后端；为保证公平，RoboFoundry与单独使用的对应后端模型在对应任务上使用同一个微调checkpoint。RoboFoundry初始时不进行任何任务级的系统适配，每个任务测试10次，用于在线进化的试验会计入成功率，系统更新仅发生在两次试验之间。

  • 套娃任务：在线进化测试。在协作机器人平台上，套娃任务要求从小到大排序并精确插入。第一次试验因物品掉落失败，系统加入对准检查；第二次试验改用带对准的插入，但执行丢失了任务进度，系统再加入进度追踪，让执行可以从最后完成的子任务继续；第三次试验完整完成任务。最终RoboFoundry的成功率为70%，而单独使用的后端模型仅为30%。
  • 叠毛巾任务：零样本迁移。叠毛巾技能仅在蓝色毛巾上进化，随后直接应用于外观、几何形状和材质都不同的绿色、粉色毛巾。在不进行额外适配的情况下，RoboFoundry的成功率超过80%，而单独使用的后端模型成功率低于20%，需要进一步微调。
  • 人形机器人导航：在人形机器人平台上，RoboFoundry借助共享语义接口，将“找到饮用水”的指令对应到RGB画面中识别出的饮水机，再通过本体相关的执行绑定转换为导航动作。
  • 长程化学实验：跨子任务的长程依赖。六个相互依赖的子任务依次为：将漏斗插入锥形瓶、放置称量皿、天平去皮、用药匙加粉末、放回药匙、向锥形瓶倾倒粉末。RoboFoundry通过任务状态记录串起整个流程，最后的倾倒步骤会读取几个子任务之前写下的状态来指导执行；而单独使用的后端模型难以完成整个流程。

结语：从训练更强模型到优化系统生态

从语言模型规划，到代码即策略的执行，再到系统即策略的进化，大模型在具身系统中的角色一直在向上层迁移。RoboFoundry给出了一种具体可行的方案：保持基座模型不变，由执行轨迹决定系统需要修改的部分；每一次修改都需要先在当前任务上验证能够修复失败，只有在其他任务的同类能力缺口上同样被验证有效的改进，才会沉淀为通用能力，服务后续任务。

随着基础模型的能力不断增强，具身智能的进步或许不再仅仅来自“训练一个更强的模型”，也可以来自“让模型所在的整套系统持续进化变强”。

以上内容不代表本平台立场，仅供读者参考