研究人员推出了PhysEvo。这套系统将一个始终不变的机器人模型置于自我诊断和工具修订的循环中。任务智能体负责操控机器人，随后元智能体分析失误原因，改写工具或技能，并测试修正效果。这个循环还可以改进元智能体自身的诊断方法，让成果不断累积，同时不改变底层模型的权重。
效果如何？
在RoboDojo基准测试中，PhysEvo接受了42项任务测试，测试场景布局此前均未见过。保留下来的智能体版本平均得分为68.14分（满分100分），任务成功率为62%。相比之下，已发表的单次运行Astra智能体中表现最佳的RoboDawn，在相同任务上的成功率为47.17%。在八项难度尤其高的操作任务中，PhysEvo的成功率达到55%，而直接使用Astra的基线方案仅为1.25%。
从模拟环境走向真实机器人
研究团队将通过模拟环境迭代出的控制套件迁移到AgileX PiPER机器人上，并继续在硬件上修订技能。在五项真实世界任务的25次试验中，机器人平均得分为90.60分，成功率达到84%。
为什么重要
对机器人开发者而言，PhysEvo表明，无需耗费大量资源重新训练，也能让单一静态AI模型变得更强，从而节省算力和数据。它也说明，为现有机器人加入类似的自我诊断循环，或许能提升其能力、延长使用寿命。不过，这项研究的成果仍需经过独立的真实世界验证。
