Rohan Paul

更强的机器人，并不总是需要更强的基础模型。 有时，它只需要更好的行动方式。 商汤 SenseNova 团队的最新研究，给出了一个有意思的例子：如何通过智能体系统设计提升具身 AI 表现。 在 GPT-6 Astra 模型权重不变的情况下，SenseNova-RoboRSI 报告 RoboDojo 平均分 56.83（已发表基线为 28.97），任务成功率 50.83%。 它在 LIBERO-PRO（94.50%）和 RoboCasa（64.60%）上也报告了较强结果。 SenseNova-RoboRSI 探索的一项策略是多点末端执行器（EEF）预测。它不是一次只预测并执行一个目标，而是一步生成短序列动作目标，有助于提高运动连续性，同时减少重复调用模型。 再配合规划与反馈子智能体，主智能体可以拆解任务、执行动作、监控进度，并根据反馈调整后续动作。 更重要的是，SenseNova-RoboRSI 把这些策略放进递归自我改进（RSI）循环：执行结果反过来指导未来智能体 harness 配置的改进。 改进 harness，可能变得和改模型本身一样重要。