Skip to content
RobotWorld
← 标签

#BEHAVIOR-1K (2)

瀑布流分页
NVlabs/ASPIREApache-2.0

ASPIRE：把机器人「训练」变成技能库生长的 Agentic 发现系统

ASPIRE 是 NVIDIA 联合密歇根大学、UIUC、伯克利与 CMU 开源的持续学习系统（论文 arXiv:2607.00272，Apache-2.0）。它不做梯度下降：编码智能体在闭环执行引擎里反复写、跑、修机器人控制程序（code-as-policy），把被验证的修复沉淀进可复用技能库，再用进化搜索跳出单轨迹修补。在 LIBERO-Pro 全部 80 个任务上，Claude Opus 5.5 驱动时平均成功率 99%，Robosuite 与 BEHAVIOR-1K 代表任务 100%；扰动操作任务最高提升 77%，未见长程任务零样本 31% 对基线 4%。真机侧，仿真发现的技能跨本体迁移到真实双臂站，在线学习甚至让机器人学会解魔方。

Code-as-PolicySkill Library
Python884784
InteractiveWorld：面向交互式 MLLM 助手的可验证人本环境

InteractiveWorld：面向交互式 MLLM 助手的可验证人本环境

Meta 与 Duke 提出 InteractiveWorld：首个可验证的人—助手闭环交互环境。助手共享用户的第一人称视角，用自然语言给出指导；由 MLLM 驱动的人类智能体把指导落成 36 个动作原语之一，Isaac Sim 执行动作、更新世界状态并渲染下一段视角。在其之上构建 InteractiveBench：6 类共 120 个人工复核的多轮任务，成败由最终物体状态自动判定，不靠文本评判。12 个前沿 MLLM 的评测显示，最强的 Claude Fable 5.1 也只通过 41.7% 的任务，长程 Guidance 与 Planning 仅 20.0% 与 25.0%；失败任务的首个错误中 70.4%—85.7% 来自视觉感知与记忆。

Qinsi Wang, Wei Wen, Chong Zhou · 17次阅读 · 2026年10月25日
MLLMEgocentric AI Assistant
2026年10月25日

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。