SEAR：自演进智能体机器人学

基于摘要分析。该研究以机器人控制为主要对象，提出 SEAR（Self-Evolving Agentic Robotics）框架与基准，考察语言模型智能体是否通过保留技能与记忆获得持续改进，而非仅靠增加尝试次数提高成功机会，并检验所学经验能否迁移至新任务、新模拟器和真实机器人。 框架包含三种模式：code-as-policy，由智能体生成控制代码作为策略；agent-as-policy，由智能体直接参与实时控制循环；auto-research，由智能体充当研究者，微调 vision-language-action 模型。基准设置旨在区分保留经验的作用与重复尝试、熟悉任务、特权模拟器状态、更大预算及偶然性等因素。具体记忆更新机制、微调目标及控制条件尚未验证。 作者报告，评估覆盖七个前沿语言模型、330 个模拟任务和五个实体机器人任务，累计智能体运行时间超过四年。作者报告，学习曲线同时取决于总时间预算及任务难度相对于模型能力的高低：较难任务更能受益于较长运行时段，较容易任务中，反复启动短时尝试可取得相近表现。作者还报告，控制代码与共享例程能够跨任务、跨模拟器迁移，但任务特定解法不能；在真实机器人上，智能体设计的练习场景与新的人类设计场景之间存在表现差距。摘要未提供这些差异的具体指标与效应大小。 作者报告，不同模型适合不同演进模式，部分更擅长实时行动，另一些更擅长先编写代码；一个纯文本模型的表现可与可比的多模态模型相当。作者据此认为，感知有助于错误评估，但智能体推理与工具使用可能更重要；这一解释不能扩展为感知在机器人任务中普遍不重要。 作者声明发布基准与代码库，但具体获取方式、模型配置、预算匹配、任务划分、消融及统计信息尚未验证。材料未提供 EEG/BCI 实验或具体神经信号机制对应关系，因此不据此推断 BCI 有效性，也不提出神经信号迁移实验。