SHAPER框架实现无训练具身智能体自我进化

具身智能具身智能Embodied AI让 AI 通过机器人身体感知并作用于真实世界，不只在屏幕里回答问题。◆ 小白科普 · 现身体日益依赖基础模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身构建，其性能不仅取决于模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身权重，还受技能、上下文、动作接口等执行工具影响。监督微调和强化学习强化学习一种 AI 训练方法：让机器人在亿万次「试错」中自己摸索，做对了就给奖励。机器人走稳路、跑酷空翻，大多是这么练出来的。◆ 小白科普 · 现身虽能适配新环境，但需额外数据和奖励；而免训练代码方案常依赖可编程机器人API，在固定接口环境下可能不适用。为此，研究团队提出SHAPER框架，一种免训练的自我进化方法，保持模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身参数冻结，通过目标环境中的试错演化可复用技能和上下文代码工具。同一冻结模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身同时充当规划器和优化器，无需参数更新即可细化外部技能和工具。研究在VLABench和ESI-Bench上评估SHAPER，覆盖不同低层动作接口的智能体，并与纯执行、监督微调及测试时扩展基线对比。结果表明，当模型训练成本高或不可行时，技能与工具优化是实现自我进化具身智能体的实用路径。