星衍智能发布通用具身 Harness 框架 Auriga，零样本领跑 RoboDojo 榜单
机器人该进化系统而非答案：Auriga 将感知、执行与失败记录做成可复用接口，并在零样本任务上验证了这条路径。
星衍智能发布通用具身框架 Auriga，把三维感知、动作规划与执行校验整合成统一接口，让大语言模型在陌生机器人任务中自主规划并在线纠错；在不做任务预调优、不用专家演示、单次执行且不允许重置环境的零样本协议下，它在 RoboDojo 榜单领先。
正文摘录
.984.jpg) 在电子游戏里，玩家拥有一项近乎无敌的特权——无限读档（env.reset）。 在机器人仿真环境中，一些具身 Agent 同样可以通过提前探索任务、反复重置环境、修改动作脚本，逐步寻找更优的操作策略。 但如果不给机器人提前刷题的机会呢？ 最近， 星衍智能 推出的通用具身 Harness 框架 Auriga ，在不针对目标任务预调优、不依赖专家演示、单次执行且不允许环境重置的 Zero-shot 评测协议下，领跑 RoboDojo 榜单。与此同时，Auriga 还在 RoboCasa365 Target50 评测中，凭借同一套 Harness 框架取得领先表现。 没有提前刷题，却能超越部分有备而来的对手。Auriga 是怎么做到的？ 答案或许不在于记住更多任务的标准答案，而在于构建一套能够跨任务复用的物理执行系统。这也引出了一个更深层的问题： 机器人究竟是在优化一道题的答案，还是在进化解决问题的能力？ 1. 具身 RSI 的三个层次：进化答案、进化过程、进化系统 机器人能力的进化，关键不在于经历了多少次试错，而在于每次改进究竟改变了什么：是当前任务的解决方案、一次执行中的操作策略，还是能够被未来不同任务复用的系统能力？ 基于这一视角，星衍智能将 Physical RSI 的发展路径归纳为三个层次： - L1：任务级搜索，即进化答案。系统通过反复重置环境、修改动作脚本或调整控制参数，为特定任务寻找更优解。它能够不断提升当前任务的表现，但往往需要为新任务重新优化。 - L2：单次在线适应，即进化过程。