RoboFoundry 提出「系统即策略」框架：冻结基座模型，进化机器人外围系统
RoboFoundry 把机器人策略从「模型」扩展到「模型加外围系统」，用诊断—修复—晋升的闭环让系统自我进化，为具身智能提供了一条不重训模型的提效路径。
同一个 GPT-5.5 在具身任务上表现差异很大：直接使用成功率 56.9%，不改模型参数、只让其周边系统持续进化后升至 72.7%。新加坡南洋理工大学等团队提出 RoboFoundry，把机器人智能体理解为「模型 + 整套系统」，冻结基座模型，只在上下文、技能与执行接口上做进化，并在多个基准和真实机器人上验证。
正文摘录
.jpg)  同一个 GPT-5.5，放进不同的系统里，做具身任务的表现可以相差悬殊。在 EmbodiedBench 上，直接使用 GPT-5.5 的平均成功率是 56.9%；模型参数一个不改，只让它周围的系统持续进化，这个数字变成了 72.7%。 差别来自模型之外：哪些信息会被送到模型面前，哪些经验会被保留下来，决策又如何变成机器人的物理动作。 真正在环境里执行的具身策略，从来不只是一个模型，而是模型加上它所在的整套系统。 大模型在机器人系统中的角色一路上移：从高层规划器，到 Code-as-Policy 中把感知与控制原语组合成程序的决策核心。但围绕模型的那套系统，大多仍是人工搭建、部署后固定不变的。已有工作往往只改进记忆、技能、交互 harness 中的某一个组件；执行中暴露的问题也多半只用于评测或人工调试，同样的弱点会在一个又一个回合里重复出现。 由此引出一个问题： 具身智能体能否把自己的整套系统当作策略，诊断出系统在哪里限制了行为，再从具身经验中进化对应的部分？