EmbodiedEvo：物理的知能のための自己改善型コーディングエージェント

物理世界向けの汎用エージェントを実現するため、物理知能を実行可能なコードとして表現する EmbodiedEvo を提案する。 - VLA モデルと異なり、コードをポリシー表現かつ作業空間として用いる。 - エージェントは計画・実行・検証の所定ワークフローに従わず、状態を自律的に検査し、コードを修正・実行し、フィードバックで次のステップを選ぶ。 - 単一の Playground シーンでのフィードバックを通じて再利用可能な Skills と Lessons を進化させ、その後 harness を凍結して多様な新シーンに適用する。

VLA モデルは観測と言語指示を直接行動に写像するのに対し、コードは制御論理を明示的かつ再利用可能にする点が異なる。 - デジタル環境での SWE スタイルループの成功を物理タスクへ拡張する動機を示す。 - 物理実行は繰り返し失敗しやすいが、経験を保持・洗練する仕組みを導入する。 - RoboDojo-Sim で平均スコア 44.48、成功率 37.82% を達成し、公式検証済みの全結果を上回る。

コードをポリシー表現かつ作業空間として扱う coding agent を採用する。 - 計画・実行・検証の所定ワークフローではなく、状態検査、コード修正・実行、フィードバックに基づく次ステップ選択を自律的に行う。 - 単一 Playground シーンでのフィードバックを通じて再利用可能な Skills と Lessons を進化させる。 - その後 harness を凍結し、多様な新シーンに適用する。

RoboDojo-Sim で評価し、平均スコア 44.48、成功率 37.82% を達成、公式検証済みの全結果を上回った。 - ペア検定で memory-dependent タスクで最大の向上、協調手順の再利用成功を示す。 - 強いモデルの経験が弱い実行者を改善：Astra の経験で Sol と Luna の成功率が経験なし比で 8.86 および 5.50 ポイント向上。 - 生の相互作用履歴と比べ、Skills と Lessons は同等のタスク性能を 53.0% 低い実行コストで達成。

物理実行は繰り返し失敗しやすく、fine contact control は依然として困難である。 - memory-dependent タスクで最大の向上が見られ、協調手順の再利用が成功する一方、接触制御の難しさが残る。 - 強いモデルの経験が弱い実行者を改善する点、および Skills と Lessons が実行コストを 53.0% 削減する点が議論される。

要旨で参照/比較されている研究として VLA モデル、SWE スタイルループ、RoboDojo-Sim が挙げられる。 - 関連手法として Skills と Lessons、Astra、Sol、Luna が登場する。 - 同分野の定番として vision-language-action モデルや code-as-policy アプローチが考えられる。