Rohan Paul (@rohanpaul_ai) · 2026/10/11 03:49:44
商汤 SenseNova-RoboRSI：冻结 GPT-6 权重仅靠多目标预测与子代理架构将机器人任务成功率提升至 50.83%
商汤团队提出 SenseNova-RoboRSI 框架，在保持 GPT-6 Astra 模型权重不变的前提下，通过引入多点末端执行器（EEF）预测、规划与反馈子代理以及递归自我改进循环，显著提升了具身智能体的执行效率。该方案在 RoboDojo 基准测试中取得 56.83 的平均分（基线为 28.97），任务成功率达 50.83%，并在 LIBERO-PRO 和 RoboCasa 上表现优异，证明了系统架构优化而非单纯依赖更大模型即可增强机器人能力。
报道全文原始报道全文
Rohan Paul (@rohanpaul_ai) · 2026-10-10 19
更强的机器人并不总是需要更强的基础模型。 有时候，它只需要一种更好的行动方式。
SenseNova 团队近期的研究提供了一个有趣的案例，展示了智能体系统设计如何提升具身 AI 的性能。
在 GPT-6 Astra 的模型权重保持不变的情况下，SenseNova-RoboRSI 报告了 RoboDojo 平均得分 56.83，而已发布的基线得分为 28.97，同时任务成功率达到 50.83%。
它在 LIBERO-PRO（94.50%）和 RoboCasa（64.60）上也取得了强劲的表现。
SenseNova-RoboRSI 探索的一种策略是多端点执行器（EEF）预测。与其一次预测并执行一个目标，它在单步中生成一系列短动作目标序列，从而有助于提高运动连续性，同时减少重复的模型调用。
结合规划与反馈子智能体，主智能体可以分解任务、执行动作、监控进度，并根据反馈调整后续动作。
更重要的是，SenseNova-RoboRSI 将这些策略纳入递归自我改进（RSI）循环中，其中执行结果有助于指导未来智能体框架配置的改进。
改进框架可能与改进模型本身同样重要。
↳ 引用 @SenseTime_AI (商汤科技): 🤖 𝗘𝘃𝗲𝗿𝘆 𝗿𝗼𝗯𝗼𝘁 𝘁𝗮𝘀𝗸 𝗳𝗮𝗶𝗹𝘂𝗿𝗲 𝗰𝗮𝗻 𝗯𝗲𝗰𝗼𝗺𝗲 𝗮 𝗹𝗲𝘀𝘀𝗼𝗻 𝗳𝗼𝗿 𝘁𝗵𝗲 𝗻𝗲𝘅𝘁 𝗶𝘁𝗲𝗿𝗮𝘁𝗶𝗼𝗻.
𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮-𝗥𝗼𝗯𝗼𝗥𝗦𝗜 uses 𝗥𝗦𝗜 to evolve 𝗮𝗴𝗲𝗻𝘁 𝗵𝗮𝗿𝗻𝗲𝘀𝘀𝗲𝘀 through physical task feedback, without updating model parameters.
▶ 𝗥𝗼𝗯𝗼𝗗𝗼𝗷𝗼: 56.83 avg. score, 50.83% success rate, +𝟮𝟳.𝟴𝟲 𝗽𝗼𝗶𝗻𝘁𝘀 𝘃𝘀. 𝘁𝗵𝗲 𝗚𝗣𝗧-𝟲 𝗔𝘀𝘁𝗿𝗮 𝗯𝗮𝘀𝗲𝗹𝗶𝗻𝗲 (𝟮𝟴.𝟵𝟳) ▶ 𝗥𝗦𝗜 𝗹𝗼𝗼𝗽: Execute → Diagnose → Improve → Validate → Inherit ▶ 𝗘𝘅𝗽𝗹𝗼𝗿𝗲𝗱 𝗮𝗻𝗱 𝘃𝗮𝗹𝗶𝗱𝗮𝘁𝗲𝗱: Multi-point EEF prediction and Planning + Feedback Subagents
This achievement reflects the collective efforts of our joint team.
RoboRSI will be 𝗼𝗽𝗲𝗻-𝘀𝗼𝘂𝗿𝗰𝗲𝗱 𝘀𝗼𝗼𝗻 at
