SERA模型提升机器人历史依赖操作
先了解这件事
2026年10月21日，arXiv · cs.RO平台发布了两篇相关研究。一篇提出了SERA（Self-Evolving Robotic Agent）方法，通过可编辑的harness将视觉语言动作模型转化为机器人智能体，在RoboMME基准测试中实现了51.38%的自主选择成功率，比无自我进化提高了7个百分点。该方法利用环境rollouts来提议和评估harness修订，解决了长时程任务中的非马尔可夫依赖问题。另一篇提出了Harness Scaling方法，通过多样化训练配置提升智能体强化学习的泛化能力，在多个基准测试中显著提高了模型对未见配置的泛化性能。
AI 根据报道生成 · 19 天前更新
事件进展
2 个进展
- 10月21日 04:00 · 2 篇报道SERA模型提升机器人历史依赖操作HuggingFace Daily Papers：从视觉语言模型规划器到机器人智能体：面向历史依赖操作的自进化框架
- 10月21日 04:00 · 1 篇报道Harness Scaling for Agentic RLHuggingFace Daily Papers：Harness Scaling for Generalizable Agentic Reinforcement Learning
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv · cs.RO精选从VLM规划器到机器人智能体：面向历史依赖操作的自进化harness
本文提出SERA（Self-Evolving Robotic Agent）方法，通过可编辑的harness将视觉语言动作模型转化为机器人智能体，在RoboMME基准测试中实现了51.38%的自主选择成功率，比无自我进化提高了7个百分点。该方法利用环境rollouts来提议和评估harness修订，解决了长时程任务中的非马尔可夫依赖问题。
- HuggingFace Daily PapersHarness Scaling for Generalizable Agentic Reinforcement Learning
研究人员提出Harness Scaling方法，通过多样化训练配置提升智能体强化学习的泛化能力。该方法构建因子化harness空间，选择平衡训练子集，并组织跨harness训练，在多个基准测试中显著提高了模型对未见配置的泛化性能。
- HuggingFace Daily Papers精选从视觉语言模型规划器到机器人智能体：面向历史依赖操作的自进化框架
研究人员提出SERA（Self-Evolving Robotic Agent）框架，通过可编辑的harness将视觉语言模型组织为机器人智能体，利用环境rollouts实现自我进化。在RoboMME测试中，SERA通过自主选择实现了51.38%的整体成功率，相比没有自我进化的44.38%有显著提升。这种方法解决了历史依赖操作中的非马尔可夫问题，表明智能体规划是解决此类机器人操作任务的有前景方向。