Astra推出PhysEvo框架：实现基于单冻结模型的物理递归自改进

摘要：Astra发布了一款名为PhysEvo的框架，旨在通过物理递归自改进（RSI）提升机器人在复杂任务中的表现。PhysEvo围绕单个冻结模型构建，通过任务执行代理和元代理的协作，实现对失败诊断、技能修订和修正测试的自动化流程。该框架无需更新模型权重或单独训练动作策略，即可开发关节级控制、证据驱动的观察和可复用的操作技能。在42项RoboDojo任务中，PhysEvo的平均得分为68.14/100，成功率为62%，显著优于现有最强基线RoboDawn的47.17%。在真实世界任务中，PhysEvo也表现出色，展示了其在动态模拟与实际应用之间的强大迁移能力。

---

核心突破

Astra推出的PhysEvo框架通过以下创新点实现了物理递归自改进：

• 单冻结模型架构：PhysEvo围绕单个冻结模型构建，避免了传统方法中频繁的模型权重更新，同时保持了模型的稳定性。
• 任务与元代理协作：任务代理负责执行机器人任务，而元代理则分析任务轨迹、诊断失败、修订工具和技能，并测试修正结果。
• 自动化技能优化：元代理能够改进自身的诊断工具，使得保留的修订不仅支持后续任务执行，还支持持续的自我改进。

技术亮点

• 关节级控制与证据驱动观察：PhysEvo能够在无需额外训练的情况下开发关节级控制策略，并通过证据驱动的方法优化观察过程。
• 可复用操作技能：该框架通过任务执行和修正测试的循环过程，逐步积累可复用的操作技能，提升整体任务完成效率。
• 跨任务迁移能力：在RoboDojo任务中，PhysEvo的平均得分为68.14/100，成功率为62%，显著优于现有基线模型。在真实世界任务中，PhysEvo也表现出色，例如在AgileX PiPER平台上实现了90.60/100的平均得分和84%的成功率。

行业影响

PhysEvo框架为机器人领域带来了新的技术路径，特别是在复杂任务处理和自适应能力方面。其无需频繁更新模型权重的特性，使得该框架在资源受限的环境中具有显著优势。此外，PhysEvo的成功应用展示了AI在机器人控制和任务优化中的巨大潜力，为未来智能机器人的发展提供了重要参考。

开发者建议

• 关注单冻结模型的应用场景：PhysEvo展示了单冻结模型在复杂任务中的潜力，开发者可以探索类似方法以提升系统效率。
• 探索元代理的扩展应用：元代理的自动化诊断和修订能力具有广泛的应用前景，开发者可以尝试将其应用于其他领域，如自动化运维和智能监控。
• 关注真实世界应用中的挑战：尽管PhysEvo在模拟和真实世界任务中均表现出色，但开发者仍需关注其在不同环境下的适应性和鲁棒性问题。

---

消息来源：Hugging Face Daily Papers (2026-10-06)

—— 完 ——

主题标签： #Astra 关注 #PhysEvo 关注 #机器人 关注 #递归自改进 关注 #AI框架 关注