SEAR：自进化 Agent 机器人框架与基准

论文提出 SEAR（Self-Evolving Agentic Robotics），一个让语言模型 Agent 自主改进机器人的框架与基准，核心追问两点：Agent 是真在学习还是只是尝试更多次；所学能否迁移到新任务、新模拟器和真实机器人。框架支持三种模式：编写策略代码（code-as-policy）、在控制回路中实时行动（agent-as-policy）、作为研究者微调视觉-语言-动作模型（auto-research）。基准加入对照以区分保留经验与重复尝试、熟悉任务、特权模拟器状态、更大预算和运气。在 7 个前沿语言模型、330 个仿真任务和 5 个物理任务上评估。

AI推荐理由 arXiv 论文提出 SEAR 自进化机器人 Agent 框架与基准，明确区分“保留经验”与“重复尝试”，并在 7 个前沿语言模型、330 个仿真任务和 5 个物理任务上评估，还跨新任务、新模拟器和真机验证。具体新信息是三种运行模式（code-as-policy、agent-as-policy、auto-research）及控制变量设计；局限是摘要未给出具体性能数字，结论仍属论文自述。