具身智能体被要求像教学实验室里的学生那样，自己搭装置、选条件、读仪表，把测到的物理量交出来。此前操作类基准只考“把场景改成给定状态”，科学发现类基准则把实验换成文本命令或数值查询。EmbodiedLab 在五个学科、14 台装置上设 30 个定量实验，每个实例的隐藏参数重新抽样，评分同时看结果、本回合记录的读数与台面是否复原；六个前沿模型在各自开发者的编码智能体中运行，原生控制下最强的 Claude Opus 5.5 成功率为 43.3%，GPT-6 Astra 为 40.0%。
MAGMA-Bench 把长程具身智能体的评测放到动态多机器人环境里，同时施加执行失败、任务中断和任务更新等在线扰动，并用技能级接口把任务层推理与感知和底层控制分开。此前基准多只考察动态执行或多机器人协同中的一面，很少考察两者交叉。评测中即使最强的模型也在相当一部分无扰动回合中失败，扰动下成功率进一步下降；监督式适配能明显提升一个小模型，但在更长任务和多机器人任务上仍明显偏低。
作者提出RoboQuest，一个面向目标导向具身探索的基准，包含十项移动操作任务，覆盖搜索、操作式检查与交互测试三类不确定性；五个前沿多模态智能体通过统一视运动接口零样本执行，最佳者仅成功23.2%，而用所发布5000条演示微调的VLA策略几乎从不成功；隔离技能测试显示智能体在给定隐藏信息时能完成多数动作，失败分析将仅18–21%的失败归因于执行，多数源于探索过早停止与证据不足即决策。
RoboFoundry 提出“自进化系统即策略”（Self-Evolving System-as-Policy）框架，把支撑基础模型的整个智能体系统（上下文系统与分层技能系统）而非模型参数当作可进化策略，通过执行轨迹诊断能力缺口、生成并验证任务级系统修改、再把可复用的改进提升为通用系统能力，在 EmbodiedBench 上取得最优表现（GPT-5.5 提升 27.8%，Qwen3.7-Plus 达 70.3% 接近 GPT-5.5 的 72.7%），在 RoboMemArena 长时程记忆上至少超出所有基线 39.0%，在 LIBERO-PRO 上相对 Cap-Agent0 提升 243.8%–679.7%，并在真实机器人上展示零
该工作提出 HarnessPAI——一个与模型和本体无关的 Physical AI 外壳框架，把代码当作组织底层动作原语的可执行、可进化接口：单次 rollout 内以固定程序开环执行，跨 rollout 用执行反馈闭环修订程序并把失败蒸馏为可复用技能；在桌面机械臂、家用机器人、扫地机器人和腿式行走智能体上，无需重训底层模型即优于纯动作模型与 code-as-policy 基线，在 LIBERO-PRO 上较 π0.5 提升 61.6 分、在 RoboCasa 原子任务上较 WorldDreamer 提升 27.2 分，且收敛后的程序可作为专家数据采集器，用其数据微调 π0.5 使 LIBERO-PRO 成功率再提升 38.8 分。
已读完全部报道