# PhysEvo, sabit robot modelinin becerilerini geliştirmesini sağlıyor

> PhysEvo adlı yeni bir çerçeve, sabit bir yapay zekâ modelinin robot görevlerini yinelemeli olarak iyileştirmesine olanak tanıyor; simülasyonda ve gerçek robotta başarı oranlarını artırıyor.

Oossa · 2026-10-08 · https://oossa.com/tr/physevo-lets-a-frozen-robot-model-improve-its-own-skills

Araştırmacılar, değişmeyen tek bir robot modelini kendi kendine teşhis ve araçlarını gözden geçirme döngüsüne sokan PhysEvo sistemini tanıttı. Bir görev ajanı robotu çalıştırıyor; ardından bir meta ajan, neyin ters gittiğini inceleyip araçları veya becerileri yeniden yazıyor ve düzeltmeleri test ediyor. Döngü, meta ajanın kendi teşhis yöntemlerini de geliştirebiliyor. Böylece temel modelin ağırlıkları değiştirilmeden, iyileştirmeler zaman içinde birikiyor.

## Ne kadar başarılı?

PhysEvo, RoboDojo kıyaslama testinde daha önce görmediği yerleşimlere sahip 42 görevde denendi. Kullanılmak üzere saklanan ajan sürümleri 100 üzerinden ortalama 68.14 puan aldı ve görevlerin %62’sini başarıyla tamamladı. Buna karşılık, yayımlanmış en iyi tek seferlik Astra ajanı RoboDawn, aynı görevlerde %47.17 başarı oranına ulaştı. Özellikle zor sekiz manipülasyon görevinde PhysEvo %55 başarı sağlarken doğrudan Astra temel modeli yalnızca %1.25 başarı gösterdi.

## Simülasyondan gerçek robota

Ekip, simülasyonda evrimleştirilen kontrol düzenini AgileX PiPER robota aktardı ve donanım üzerinde becerileri geliştirmeyi sürdürdü. Robot, beş gerçek dünya görevinde yapılan 25 denemede ortalama 90.60 puan aldı ve %84 başarı oranına ulaştı.

## Gerçekler

- PhysEvo, sabit bir model kullanıyor; bir meta ajan araçları ve teşhis yöntemlerini gözden geçirerek performansı artırıyor.
- PhysEvo, 42 RoboDojo görevinde 100 üzerinden ortalama 68.14 puan aldı ve %62 başarı oranına ulaştı.
- RoboDawn’ın tek seferlik Astra ajanı aynı kıyaslama testinde %47.17 başarı oranına ulaştı.
- Sekiz zor manipülasyon görevinde PhysEvo %55, doğrudan Astra ise %1.25 başarı sağladı.
- AgileX PiPER robotunda çalışan PhysEvo, 25 denemede 100 üzerinden 90.60 puan aldı ve %84 başarı oranına ulaştı.

## Neden önemli

Robot geliştiricileri açısından PhysEvo, tek ve sabit bir yapay zekâ modelinin maliyetli yeniden eğitim olmadan daha yetkin hâle getirilebileceğini gösteriyor; bu da hesaplama süresinden ve veriden tasarruf sağlayabilir. Ayrıca benzer bir kendi kendine teşhis döngüsü eklenerek mevcut robotların geliştirilebileceğine ve kullanım ömürlerinin uzatılabileceğine işaret ediyor. Ancak bu çalışmanın ötesinde, yöntemin gerçek dünyada bağımsız biçimde doğrulanması gerekiyor.

## Kaynaklar ve referanslar

1. [PhysEvo: Astra Can Act, Let It](https://arxiv.org/abs/2610.08995) – arXiv cs.RO, 2026-10-08

Son güncelleme: 2026-10-08