Einsia AI 发布 EmbodiedEvo：自进化 Coding Agent 在 RoboDojo 评测中登顶
EmbodiedEvo 让写代码的 Agent 在机器人上边干边攒经验，把经验冻结后复用到新场景，不训模型也能刷新 RoboDojo 榜单。
会写代码的 Agent 正在进入物理世界：通过机器人接口观察场景、编写控制程序、按反馈调整动作。Einsia AI 旗下 Navers Lab 提出 EmbodiedEvo，让 Agent 在 Playground 中只用一个场景积累可复用的代码 Skills 与文字 Lessons，冻结后交给新 Agent 在未见场景中执行，无需更新模型权重。
正文摘录
.jpg)  会写代码的 Agent，正在走向物理世界。 通过机器人接口，它们能够观察场景、编写控制程序，并根据反馈调整动作。即使未经目标任务微调，前沿 Coding Agent 的 Zero-shot 成功率，也已能与在相似场景上训练过的 VLA、WAM 系统相当。 但 Zero-shot 的表现，只是这条路线的起点。 面对陌生的机器人，从 “会调用接口” 到 “能抓稳物体”，Agent 仍需边执行、边摸索。这些探索消耗任务预算，积累的经验却不会自动留给下一个 Agent。 就像 VLA 模型需要大量轨迹来训练， 「如果先给 Agent “训练” 的机会，再让累积的经验成为下一次执行的起点呢？」 Einsia AI 旗下 Navers Lab 团队提出了 EmbodiedEvo ：每个任务仅用一个 Playground 场景，让 Agent 在交互中积累代码 Skills 和文字 Lessons。探索结束后，将这份 harness 冻结，交给新的 Agent，在未见场景中完成评估。无需更新模型权重，Agent 就能带着经验出发，并继续根据现场反馈调整动作。