清华等团队提出 CEL 范式：96 台机器人互相学习，任务成功率升至 98.3%
把机器人之间的成功经验互相共享，替代人工示范，并用 96 台真机证明训练规模越大、策略越可靠的一条新路径。
通用模型的零样本能力不足以支撑部署，机器人在接触交互和长流程任务中仍会反复出错。清华、智元与无问芯穹提出群体经验学习（CEL）：让机器人共享成功经验、用失败样本定位薄弱环节，人类只负责判定结果。在 96 台真机上验证后，测试成功率由 79.2% 升至 98.3%。
正文摘录
.jpg) 以 GPT-6 Astra 为代表的前沿通用智能模型，已经在部分操作任务上展现出不错的零样本能力。但落地部署不能只看零样本表现，模型策略是否可靠更为关键。哪怕是业内最强的通用模型，机器人也容易在接触交互、对齐以及长流程任务执行中反复出错。 研究发现，加入人类动作示范可以有效提升模型可靠性。可问题在于：倘若每次能力升级都需要人工示范，当机器人大规模部署时，能提供示范的专家人力将跟不上扩张需求。 在大洋的另一侧，Physical Intelligence 也在关注这一问题。联合创始人 Sergey Levine 在近期访谈中指出，机器人起初需要人类采集的高质量示范来建立基础能力；能力成熟之后，便可以在真实世界里自主试错，利用自己采集的数据继续迭代学习。 在相似的思路下，清华大学、智元与无问芯穹联合提出了群体经验学习（Collective Experience Learning，CEL）范式，并在 96 台机器人上完成了该学习范式的原型验证。