精读 EmbodiedEvo：让编程 Agent 在一个 Playground 场景里「长经验」，冻住交给新场景——RoboDojo-Sim 37.82% 超全部官方已验证结果

EmbodiedEvo 总览：Playground 演化 → 冻结 harness → Test 复用（论文 Figure 1）

配图说明：本文收录论文全部 15 张插图（Figure 1 ~ Figure 15），放在站内 /images/embodiedevo/，逐张讲解，文末附图表总索引表。论文来自 Navers Lab / Einsia.AI（project lead Wenyi Li，通讯 Kaisen Yang、Qinhuai Na），arXiv 2610.18867（v2，2026-10-13），homepage lab.einsia.ai/embodiedevo。核心主张：物理智能也可以用「SWE 式迭代」长出来——不改模型权重、不收演示，把「学习」写进可检查、可编辑、可冻结的代码 harness。

📄 论文信息

标题：EmbodiedEvo: Self-improving Coding Agents for Physical Intelligence
机构：Navers Lab、Einsia.AI、清华大学
时间：2026-10（arXiv 2610.18867，2026-10-13）
关键词：Code as World、Agent as Policy、Skills、Lessons、Playground→Test 冻结协议、自进化 harness、RoboDojo、经验迁移
一句话总结：「会写代码的机器人 agent」在一个人造场景上反复试错，把成功动作沉淀成可复用的 Skill、把失败原因沉淀成 Lesson，然后整包冻结交给新场景上的新 agent 直接用——权重全程不动。

🎯 一句话版本：核心数字

指标	数值	说明
RoboDojo-Sim 平均	44.48 分 / 37.82% SR	超越当时全部官方已验证结果（GPT-6-Astra 仅 22.48% SR）
Memory 类	71.90 分 / 69.67% SR	下一名学习型模型 VPP2 仅 55.56% SR
Open 类	55.52 分 / 53.00% SR	GPT-6-Astra 31.00%
无 wiki 配对实验	8.50% → 30.17% SR	同 executor、同场景，只加 harness
有 wiki 增益	+21.75 分 / +21.72 pp	经验不是「抄 wiki 菜谱」就能替代的
跨模型迁移	Sol +8.86 / Luna +5.50 pp	强模型的经验帮到弱模型
vs 原始交互历史	同等性能，Test 成本 -53%	Skills/Lessons 是有损压缩，不是全文本
Playground 规模	每任务仅 1 个场景	冻结后在全新 Test 布局上评估

🗺️ 仿真 vs 真机：一眼分清

基准 / 场景	类型	说明
RoboDojo-Sim（42 任务 × 50 Test 场景）	仿真	主结果与排行榜对照均在此
Playground（每任务 1 场景）	仿真	仅用于经验演化，与 Test 布局完全隔离
双臂 / 真机部署	未做	论文明确只在仿真验证；经验格式设计为「真机也有的 RGB + 状态」

🧭 读前 5 分钟：四个概念

Code as World：环境交互被拆成两层代码——L1 是观察/动作原语（get_image、step 等），L2 是组合成的可执行 Python 过程。代码既是「策略表示」也是「工作空间」。
Agent as Policy：Agent 不再按固定「规划→执行→校验」流水线走，而是自己决定何时看、跑哪段代码、怎么验证失败。这是把 SWE 式自主循环搬进物理世界。
Skill / Lesson：Skill 存可执行控制过程 + 适用条件；Lesson 存失败模式、物理约束、恢复经验。两者一起构成 harness。
Playground → Test 冻结协议：在每任务一个固定场景上反复演化；评估前把 harness 冻结，交给全新 workspace / 全新模拟器会话的 Test agent——防止「边测边学」。

🛠️ 方法：Playground 里长经验，Test 里用经验

Code as World 与原生接口

论文在 RoboDojo 上暴露统一的仿真接口：观察包含 RGB + 机器人状态（关节角、末端位姿等）；动作走原生 step。reset 仅在 Playground 阶段可用——Test 阶段只能在 episode 内自己恢复。代码被要求写在 submission/solution.py，经 adapter 提交执行（见 Figure 3）。

演化回路

在 Playground 上，agent：

读任务描述 / wiki 菜谱（可选）；
写 / 改 L2 过程并执行；
根据物理反馈（抓空、掉落、超步数……）改代码；
把可复用的片段写进 Skill 库，把该记住的教训写进 Lesson（带「何时有效、为何失败、如何恢复」）。

演化的产物（Skills + Lessons + 元数据）构成 harness，之后只读提供给 Test agent。

Test 阶段

每个 Test episode：

新 workspace、新 Python 状态、新模拟器会话；
harness 只读（防篡改）；
Test agent 仍可观察、执行、恢复，只是不能再改 harness。

这套设计把「获得经验」和「使用经验」拆成两种能力，后面实验会证明：弱 executor 可以用上自己根本采不出来的经验。

📸 逐图讲解（Figure 1 ~ 15）

Figure 1：总览——Playground 演化 → 冻结 → Test 复用

（即文首头图。）左半：coding agent 在 Playground 场景里编辑控制程序，用物理反馈反复修订 Skills / Lessons。右半：harness 被 Freeze 后交给全新的 Test agent，在未见过的布局上直接继承。这张图是全文骨架：学习只发生一次（每任务），复用可以发生无数次。

Figure 2：三种具身控制范式对比

三种控制范式（论文 Figure 2）

(a) VLA 策略：观测+指令 → 直接吐 action chunk，行为不可检查；
(b) Agent 编排 VLA：agent 负责规划，VLA 仍负责生成动作；
(c) EmbodiedEvo：单一回合的 LLM/VLM 产出结构化控制程序，在统一接口上执行并迭代。代码是显式、可编辑、可复用的——这是「Code as World」的视觉表达。

Figure 3：代码到任务——统一仿真接口

Code-to-task 映射（论文 Figure 3）

Agent 在工作区写 submission/solution.py，通过 adapter 提交；adapter 调用原生 step/观测接口并把结果回传。整个链路刻意做成 SWE 工作区风格：协议文件只读、执行记录可审计，方便复现与冻结。

Figure 4：Astra 的两种典型失败轨迹

Astra 失败轨迹（论文 Figure 4）

(a) 先两次空抓才第一次真正抓稳，之后 episode 因步数预算耗尽而未完成；
(b) 操作未完成时观测切到 manipulation 视角，导致状态丢失。
这些正是 Lesson 要沉淀的素材：「到达的位姿 ≠ 抓稳的负载」、「切换观测前先确认后置条件」。

Figure 5：EmbodiedEvo 方法框架

方法框架（论文 Figure 5）

左侧：Playground 上「改代码 → 执行 → 用反馈改 Skills/Lessons」闭环；右侧：Freeze 箭头把 artifacts 搬到新场景上的 Test agent。注意模型权重与机器人接口全程固定——进化的只是 harness。

Figure 6：有无 wiki 的增益对照

wiki 消融（论文 Figure 6）

配对实验固定 executor（Astra/xhigh）与场景：

(a) 仅任务描述：增益 +23.87 分 / +21.67 pp；
(b) 任务描述 + wiki：增益仍有 +21.75 分 / +21.72 pp。
说明经验的价值不是把 wiki 里已有的菜谱再抄一遍——wiki 给「做什么」，Lesson 给「别踩哪个坑、失败后怎么救」。

Figure 7：能力演化——决定性操作 / 阶段被改掉

能力演化案例（论文 Figure 7）

每行对比同任务同场景下的 Astra vs EmbodiedEvo：

(a) 井字棋 layout 27：Astra 只会空抓，继承 harness 后用沿边缘抓取完成；
(b) 其他任务里也能看到「关键抓取姿态 / 关键阶段切换」被 Lesson 直接改写。
这是「Memory / Open 类暴涨」的微观机制：记忆依赖任务最需要「上次在哪一步、为什么失败」。

Figure 8：残留边界——接触迁移仍失败

接触迁移失败（论文 Figure 8）

插钥匙 layout 44：donor 手臂保住了钥匙，receiver 合爪却没夹住杆（图中高亮），最终释放丢钥匙。细粒度接触仍是硬边界——这与 HexaShell 的结论一致：卡的是接触物理，不是推理。

Figure 9：经验迁移到更弱的 executor

经验迁移（论文 Figure 9）

三条件对照：No Experience / Self-Evolved / Harness from Astra。在相同场景上：

Astra/medium 从 Astra/xhigh 的 harness 获益（验证「推理档位」不同也能用）；
Sol 用 Astra harness 达 12.03% SR（自己演化只有 ~2.5%）；
Luna 从 0 → 5.50%。
「能产出有用控制知识」和「能用上它」是两种能力。

Figure 10：分任务的经验增益条形图

分任务增益（论文 Figure 10）

每根柱 = 相对 No Experience 的 ΔScore / ΔSR。增益高度不均：Memory、部分 Open / Long-Horizon 任务提升大；纯接触精密任务几乎不动。与 Figure 8 互相印证。

Figure 11：同等性能下的 token / 成本

Token 成本（论文 Figure 11）

(a)(b) Raw History 与 Skills/Lessons 的 Score / SR 接近；
(c) 但 Skills/Lessons 把 Test 阶段总用量从约 4.46M token 量级压下来，执行成本约 -53%。
经验库不是「把历史全塞上下文」，而是结构化有损压缩——保留决策相关部分。

Figure 12：一条被留下并加了执行检查的 Lesson

Lesson 保留案例（论文 Figure 12）

左：Playground execution 16 记录到「负载掉落」；
中：冻结后的 Lesson 明确区分「到达目标位姿」与「负载仍被抓稳」；
右：控制器据此限制多余运动并加检查。
这是 Skills/Lessons 机制的最小完整闭环：失败 → 教训 → 可执行检查。

Figure 13：成功、迁移与回归

成功/迁移/回归（论文 Figure 13）

(a) 语言堆叠 layout 37：自演化 harness 完成堆叠（678 步 vs 自 harness 需 680 步仍未过）；
(b) 盖/揭任务：Astra 的 harness 能让 Sol 成功——跨模型迁移实例；
(c) 也存在回归：某些配置下强 executor 用外来 harness 反而变差。经验不是越多越好，**适用条件（Lesson 的 when）**很关键。

Figure 14：真实复用中的 Skill + 两条 Lesson

Skill 代码示例（论文 Figure 14）

(a) 完整冻结的 pick_from_above：把「按测量位姿下移 → 合爪 → 抬升」的 controller 组合起来，并在抬升前检查对齐与抓稳。(b)(c) 两条 Lesson 的实际条目。这是论文最「程序员友好」的一张图：经验就是带注释、带前置检查的 Python，不是隐向量。

Figure 15：完整堆叠 episode 的端点观测

堆叠端点（论文 Figure 15）

初始头视相机由 agent 自己打开；终帧由环境记录。execution 15 之后 agent 收到 success 反馈并结束。用来说明：物理反馈（包括成功本身）也是 Lesson 的来源，不只是失败日志。

🧪 实验：排行榜与配对消融

官方榜对照（2026-10-09 快照节选）

模型	类型	平均 SR	Memory SR	Open SR
GPT-6-Astra	Agent	22.48%	38.67%	31.00%
Awomo-0.5	WAM	29.64%	41.22%	22.92%
VPP2	VLA	~32%	55.56%	—
EmbodiedEvo	Agent+Harness	37.82%	69.67%	53.00%

细节：Generalization / Precision 仍偏弱（Precision SR 低于 VPP2 的 35.17%），Long-Horizon SR 23.50% 低于 Simate-beta 的 43.42%——「记忆与开放性」暴涨，「长程与精密」仍是短板。

配对消融（同 executor 同场景）

条件	SR
Astra/xhigh，仅任务描述（无 harness）	8.50%
Astra/xhigh，+ 演化 harness	30.17%
Astra 官方发布数字（含 wiki）	22.48%
EmbodiedEvo（Astra/xhigh + wiki + harness）	37.82%

经验迁移矩阵（固定 12 个目标任务）

Executor	无经验	自演化	Astra/xhigh 经验
Astra/medium	—	—	+18.72 pp（相对无经验）
Sol/xhigh	~2.5%	~2.5%	12.03%（+8.86）
Luna/xhigh	0%	~0%	5.50%（+5.50）

另有 Table 7：Playground 上最终没成功的任务也能产出有用经验——「完成任务」不是「学到东西」的必要条件。

💡 评析：三个亮点，三条边界

三个亮点

冻结协议干净：Playground 与 Test 场景隔离 + harness 只读，直接回应「是不是边测边学刷榜」的质疑。
把「会用经验」和「会采经验」拆开测：跨模型、跨推理档位的迁移实验设计得比多数「自进化」论文扎实。
经验是代码+文本，不是黑箱向量：可审计、可 diff、可单元测试——和 HexaShell 的「工具演化」形成有趣互文（一个偏「修工具」，一个偏「修程序+记教训」）。

三条边界

纯仿真：尚未在真机验证冻结 harness 的迁移；物理接触噪声、标定误差未覆盖。
精密 / 液体 / 强长程仍难：与榜单一致——接触力学不是「多写几行 Lesson」就能补的。
executor 模型能力仍是天花板：harness 再好，Astra 抓不准几何时 Lesson 只能少犯错，不能凭空产生毫米级对准。

🗺️ 在「具身 agent 谱系」里的位置

对比 HexaShell（46.9%）：同属 coding-agent 路线；HexaShell 偏「薄 harness + 工具库 + 第二 agent 读日志修 bug」，EmbodiedEvo 偏「Skills/Lessons 结构化经验 + 冻结复用」。两者都证明：不训练也能大幅超过裸 VLA agent。
对比 VPP2 / Flash-WAM：后者是学习型策略/世界行动模型；EmbodiedEvo 是 agent+代码，Memory 任务上以 69.67% 大幅超过 VPP2 的 55.56%。
对比 Awomo-0.5：WAM 路线的代表（29.64%）；EmbodiedEvo 在榜单上把「agent 编码」路线推到了更前面。
谱系标签：自进化 agent / 经验库 / 冻结评测协议。

📊 图表总索引

图	内容	本站文件
Figure 1	总览：Playground→Freeze→Test	本文插图
Figure 2	VLA / Agent+VLA / 代码策略三范式	本文插图
Figure 3	统一仿真接口与提交链路	本文插图
Figure 4	Astra 两类失败轨迹	本文插图
Figure 5	方法框架（演化 + 冻结）	本文插图
Figure 6	有 / 无 wiki 的增益	本文插图
Figure 7	决定性操作/阶段被改写	本文插图
Figure 8	接触迁移失败（边界）	本文插图
Figure 9	经验迁移到弱 executor	本文插图
Figure 10	分任务增益条形图	本文插图
Figure 11	Token / 成本对比	本文插图
Figure 12	Lesson + 执行检查案例	本文插图
Figure 13	成功 / 迁移 / 回归	本文插图
Figure 14	Skill 代码与 Lesson 条目	本文插图
Figure 15	堆叠 episode 端点观测	本文插图

（论文另有 Table 3 榜单、Table 4–6 配对/迁移、Table 7–9 成本与分任务，正文以文字表格复现，未嵌入图片。）

❓ 自测 Q&A

Q1：为什么说「每任务只有 1 个 Playground 场景」很关键？
因为 Test 布局与之完全不同；任何提升都必须来自可迁移的过程知识，而不是场景记忆。冻结后也不能再交互采样。

Q2：wiki 和 Lesson 有什么区别？
wiki 是任务级「菜谱」（做什么）；Lesson 是交互级「失败模式 + 恢复 + 适用条件」（别踩什么坑）。Figure 6 显示：即使两边都有 wiki，harness 仍再涨 ~22 pp。

Q3：为什么 Skills/Lessons 能省 53% 成本？
它们把长历史压成「条件化过程 + 关键教训」，Test 时不必把全部原始轨迹塞进上下文。

Q4：弱 executor 为什么能用强 executor 的经验？
Skill 描述的是任务相关过程（抓哪、怎么验），与 executor 的具体规划风格耦合较弱；只要接口（观测/动作原语）一致就能执行。

Q5：这条路线和 HexaShell 谁更强？
榜单快照上 HexaShell v2 的 46.9% 高于本文 37.82%——但两者协议细节（工具库 vs Skills/Lessons、是否双 agent、预算）不同，不宜简单横比；共同结论是 coding-agent 路线已稳定超过裸 VLA agent。

📄 论文信息#

🎯 一句话版本：核心数字#

🗺️ 仿真 vs 真机：一眼分清#

🧭 读前 5 分钟：四个概念#

🛠️ 方法：Playground 里长经验，Test 里用经验#

Code as World 与原生接口#

演化回路#

Test 阶段#

📸 逐图讲解（Figure 1 ~ 15）#

Figure 1：总览——Playground 演化 → 冻结 → Test 复用#

Figure 2：三种具身控制范式对比#

Figure 3：代码到任务——统一仿真接口#

Figure 4：Astra 的两种典型失败轨迹#

Figure 5：EmbodiedEvo 方法框架#

Figure 6：有无 wiki 的增益对照#

Figure 7：能力演化——决定性操作 / 阶段被改掉#

Figure 8：残留边界——接触迁移仍失败#

Figure 9：经验迁移到更弱的 executor#

Figure 10：分任务的经验增益条形图#

Figure 11：同等性能下的 token / 成本#

Figure 12：一条被留下并加了执行检查的 Lesson#

Figure 13：成功、迁移与回归#

Figure 14：真实复用中的 Skill + 两条 Lesson#

Figure 15：完整堆叠 episode 的端点观测#

🧪 实验：排行榜与配对消融#

官方榜对照（2026-10-09 快照节选）#

配对消融（同 executor 同场景）#

经验迁移矩阵（固定 12 个目标任务）#

💡 评析：三个亮点，三条边界#

三个亮点#

三条边界#

🗺️ 在「具身 agent 谱系」里的位置#

📊 图表总索引#

❓ 自测 Q&A#

📚 资源与延伸#