同一个 GPT-5.5，放进不同的系统里，做具身任务的表现可以相差悬殊。在 EmbodiedBench 上，直接使用 GPT-5.5 的平均成功率是 56.9%；模型参数一个不改，只让它周围的系统持续进化，这个数字变成了 72.7%。

差别来自模型之外：哪些信息会被送到模型面前，哪些经验会被保留下来，决策又如何变成机器人的物理动作。真正在环境里执行的具身策略，从来不只是一个模型，而是模型加上它所在的整套系统。

大模型在机器人系统中的角色一路上移：从高层规划器，到 Code-as-Policy 中把感知与控制原语组合成程序的决策核心。但围绕模型的那套系统，大多仍是人工搭建、部署后固定不变的。已有工作往往只改进记忆、技能、交互 harness 中的某一个组件；执行中暴露的问题也多半只用于评测或人工调试，同样的弱点会在一个又一个回合里重复出现。

(相关资料图)

由此引出一个问题：具身智能体能否把自己的整套系统当作策略，诊断出系统在哪里限制了行为，再从具身经验中进化对应的部分？

来自新加坡南洋理工大学、北京航空航天大学、新加坡国立大学、上海交通大学、云蝶科技等机构的研究团队提出了 RoboFoundry，并将其定位为首个把智能体系统本身形式化为「自进化的系统即策略」（Self-Evolving System-as-Policy）的具身智能体框架：基座模型保持冻结，进化发生在模型周围的上下文系统、技能系统与执行接口上，并借助一层共享的语义接口在不同机器人之间复用。

实验中，RoboFoundry 在 EmbodiedBench 上让五个基座模型全部取得提升；在长程记忆基准 RoboMemArena 上，任务成功率比所有基线至少高出 39.0%；在 LIBERO-PRO 的扰动测试中，比 CaP-Agent0 高出 243.8–679.7%。在真实机器人上，展示了跨机器人、跨任务的零样本迁移，以及部署后的在线进化。

• 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

图 1：RoboFoundry 总览。包含 “执行 — 反思 — 修复 — 晋升” 的进化闭环；三个基准的结果，以及接入前后六项系统能力均有大幅提升。

模型冻结，系统进化：

像维护代码库一样改写自己

RoboFoundry 不更新基座模型的参数，被优化的是支撑模型完成任务的系统。这套系统以文件形式存在，模型可以像开发者维护代码库一样，用 cat、grep 查看，用 add、modify、delete 修改。系统分为两层：服务当前任务的任务级系统，和跨任务、跨本体持续保留的通用系统

进化以内外两层循环进行：内循环执行任务、记录执行轨迹；外循环根据轨迹提出修改，再交给后续执行检验。修改作用在两个 “进化面” 上：

• 上下文面：管理当前回合的活跃上下文和跨回合的文件系统记忆，通过 SAVE、RETRIEVE、UTILIZE 三类操作决定记什么、取什么、怎么用。
• 技能面：从原子技能，到 “移动 — 抓取 — 放置” 这样的组合流程，再到失败恢复树。执行出现失败时，系统会从一个仍然有效的状态重新规划。

两个进化面之下还有一层共享语义接口。语义层只处理跨本体共享的任务逻辑；执行层把决策适配到具体机器人上，后端可以是冻结的 VLA（如 π0.5）、编码智能体生成的函数，或 CuRobo 等视觉运动接口。由于进化作用在语义一侧，在一台机器人上进化出的系统，换一套执行适配就能在另一台机器人上复用，也可以接到不同的基座模型上。

图 2：RoboFoundry 方法框架。(a) 内循环执行任务并产生轨迹；(b) 通用系统以文件目录的形式，提供可复用的规则与技能；(c) 外循环诊断能力缺口：能修复当前任务的修改更新任务级系统，进一步通过其他任务上保持检验的修改，进而晋升进通用系统。

有诊断、有验证的进化闭环，

而不是无约束的自我重写

执行中出现的失败或低效，会先被归因到六种能力之一：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。系统只在对应的进化面上提出修改；只有修复了当前任务的失败，修改才会被提交。

RoboFoundry 先把成功的修改抽象成候选规则，再找出其他任务中同类能力缺口的修复记录，回放这些任务修复前的状态，让应用该候选规则的系统重新给出修复方案。随后由系统自身充当验证者，把新方案与当时实际奏效的修复比较打分。只有平均得分不逊于原有修复，候选规则才会被写入通用系统。

图 3 是一次进化过程示例，在 EB-Habitat 的空间关系子集上，基座模型为 GPT-5.5，共经过六次候选评估：

• 前三次修改被提交，held-in 成功率从 21.4% 升至 50.0%；
• 接下来两个候选只达到 42.9%，未被采纳；
• 最后一个候选把成功率推到 78.0%，并通过了 held-out 检查，被标记为晋升进通用系统。

图 3：EB-Habitat 空间关系子集上的一次进化轨迹（GPT-5.5），下方是各次候选的 held-out 检查结果。

被接受的修改会落成文件里的具体改动。例如针对 “把水槽里的清洁剂全部移到沙发上” 这条指令，系统规则被改写为：

新规则里没有出现清洁剂、水槽、沙发等任何具体物体，因此可以跨任务共享。整个进化过程则记录在 .robofoundry/ 目录里，论文称之为 “进化账本”（Evolution Ledger），可以回溯查看。

五个基座模型全部提升，

基座之间的差距明显缩小

EmbodiedBench 包含四个环境中的 1,128 个任务，覆盖高层语义规划与底层动作执行。所有设置使用相同的任务流和交互预算，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计入成绩。

注：EmbodiedBench 四个环境的平均成功率（%），提升值与论文图 1 一致；因舍入，个别提升值与两列直接相减可能相差 0.1。

• GPT-5.5 相对提升 27.8%。进化后的 GPT-5.5（72.7%）已经高于未经进化的 GPT-6 Astra（71.9%）。
• 基座之间的差距明显缩小。五个基座原始成绩的最大差距为 19.6 个百分点，接入 RoboFoundry 后缩小到约 11.5 个百分点。
• 最强的模型同样受益。GPT-6 Astra 相对提升 8.5%。

消融实验显示，通用进化是关键：以 Qwen3.7-Plus 为基座时，完整版比只保留任务级修改的 Lite 版相对高出 11.2%。把上下文预算从 4K 扩到 16K 后，原始模型的成绩有升有降；在 16K 设置下，RoboFoundry 依然让参与测试的四个基座相对各自基线再提升 7.9%–13.1%。

长程记忆与分布偏移：

进化不只是提示词

RoboMemArena 是长程记忆基准，共 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（TSR）和 72.8% 的累计成功率（CSR），四类任务全部领先。它的 TSR 比所有基线至少高出 39.0%，对比对象中包括借助 Qwen3-VL-8B-Instruct 管理记忆的 PrediMem。

在这一基准上，进化修改的不只是提示词，还有决定 “保留什么状态、检索什么证据、如何呈现给模型” 的机制。例如，把任务进度转成当前子目标，以及明确规定 “尝试过的指令不能作为物理成功的证据”。

图 4：RoboMemArena 长程记忆结果，每项为 TSR / CSR（%）。

LIBERO-PRO 用来检验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，为 91.9%，Harness VLA（CC）为 87.8%；它比 CaP-Agent0 高出 243.8%–679.7%（相对值）。

进化后的系统还会把改进分成两种时间尺度：可复用的组合技能被长期保留进共享系统；某次试验中临时生成的恢复逻辑，只留在当次试验中。

图 5：LIBERO-PRO 扰动测试结果，每项为位置扰动 / 任务扰动下的成功率（%）。† 表示使用特权物体位姿。

真机上零样本迁移、边做边进化

真机实验要回答的是：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 π0.5 为操作执行后端；为保证公平，RoboFoundry 与单独使用的 π0.5 在对应任务上使用同一个微调 checkpoint。RoboFoundry 起始时不做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也计入成功率，系统更新只发生在两次试验之间。

• 套娃：在线进化。在松灵 AgileX COBOT MAGIC 平台上，套娃既要求从小到大排序，也要求精确插入。第一次试验以掉落告终，系统加入对准检查（技能面修改）；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（上下文面修改），让执行能从最后完成的子任务继续；第三次完整完成。最终 RoboFoundry 的成功率为 70%，单独使用的 π0.5 为 30%。
• 叠毛巾：零样本迁移。叠毛巾技能只在蓝色毛巾上进化，随后直接用于外观、几何形状和材质都不同的绿色、粉色毛巾。在不做额外适配的情况下，RoboFoundry 的成功率超过 80%，π0.5 则低于 20%，需要进一步微调。
• 人形机器人：从操作到导航。 在宇树 G1 人形机器人上，RoboFoundry 借助共享语义接口，把 “找到饮用水”（Find drinking water）这条指令对应到 RGB 画面中识别出的饮水机，再由本体相关的执行绑定转换成导航动作。
• 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是：把漏斗插入锥形瓶、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 用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 “漏斗已就位” 状态来指导执行；单独使用的 π0.5 则难以完成整个流程。

视频链接：https://mp.weixin.qq.com/s/uJw9E0-rEnribpib08C6kg

图 6：真机进化与迁移。(a) 套娃任务中先后加入对准与进度追踪；(b) 叠毛巾技能迁移到未见过的毛巾；(c) 宇树 G1 上的语义导航。

图 7：长程化学实验中，任务状态记录连接六个相互依赖的子任务。

结语：

从 “训练更强的模型”，

到 “让模型所在的系统持续变强”

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 给出了一种具体做法：基座模型保持不变，由执行轨迹决定系统的哪一部分需要修改；每一次修改都要先在当前任务上验证能修复失败，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。当基础模型越来越强，具身智能的进步也许不只来自 “训练一个更强的模型”，也来自 “让模型所在的系统持续变强”。

作者信息

本研究由新加坡南洋理工大学、北京航空航天大学、新加坡国立大学、云蝶科技与上海交通大学的研究者合作完成。共同第一作者为梁靖松（新加坡南洋理工大学，博士生）和廖书昊（北京航空航天大学，博士生）。通讯作者为吴文峻（北京航空航天大学，教授）、李万华（新加坡南洋理工大学，南洋助理教授）与吕辰（新加坡南洋理工大学，副教授）。