论文页面 - SimWorld Studio：用于具身智能体学习的自动环境生成与演进式编码智能体

来源：https://huggingface.co/papers/2605.09423

摘要

SimWorld Studio 是一个开源平台，基于 Unreal Engine 5 和一个具备技能增强能力的编码智能体，通过自演进（self-evolution）和共演进（co-evolution）机制，自动生成为具身智能体训练的动态演进的 3D 环境。

得益于为编程、网页浏览和计算机操作提供丰富交互式训练场景的可扩展沙箱，基于 LLM/VLM 的数字智能体取得了迅速进步。相比之下，具身智能体（https://huggingface.co/papers?q=embodied%20agents）仍然缺乏大量、多样化且自动生成的 3D 环境（https://huggingface.co/papers?q=3D%20environments）来进行交互式学习。现有的具身模拟器依赖于手工制作的场景或程序化模板，而近期基于 LLM 的 3D 生成系统主要产生静态场景，而非带有可验证任务和标准学习接口的可部署环境。我们引入了 SimWorld Studio，这是一个基于 Unreal Engine 5（https://huggingface.co/papers?q=Unreal%20Engine%205）的开源平台，用于生成演进的具身学习环境。其核心是 SimCoder（https://huggingface.co/papers?q=SimCoder），一个工具/技能增强的编码智能体，能够编写并执行引擎级代码，从语言/图像指令中构建物理真实的 3D 世界。SimCoder（https://huggingface.co/papers?q=SimCoder）利用验证器反馈（例如，编译错误、物理检查、VLM 批评）来修正环境，并自主向其库中添加可复用的工具和技能，从而实现自演进。生成的世界被导出为 Gym 风格的环境（https://huggingface.co/papers?q=Gym-style%20environments），用于具身智能体学习。SimWorld Studio 进一步实现了环境生成与具身学习之间的共演进（https://huggingface.co/papers?q=co-evolution）：智能体性能反馈（https://huggingface.co/papers?q=agent%20performance%20feedback）引导 SimCoder（https://huggingface.co/papers?q=SimCoder）在学习者能力边界附近生成自适应课程（https://huggingface.co/papers?q=adaptive%20curricula），因此随着具身智能体的提升，环境变得越来越具有挑战性。关于具身导航（https://huggingface.co/papers?q=embodied%20navigation）的三个案例研究表明，自演进（https://huggingface.co/papers?q=self-evolution）提高了生成的可靠性，生成的环境显著提升了具身智能体的性能，并且这种性能泛化到了未见过的基准测试中，而共演进（https://huggingface.co/papers?q=co-evolution）相比固定环境学习带来了 18 个百分点的成功率提升，相比未训练的智能体则带来了 40 个百分点的提升。

查看 arXiv 页面 (https://arxiv.org/abs/2605.09423) 查看 PDF (https://arxiv.org/pdf/2605.09423) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.09423)

在你的智能体中获取这篇论文：

hf papers read 2605\.09423

还没有最新的 CLI？ curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.09423 以从此页面建立链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.09423 以从此页面建立链接。

引用此论文的空间 0

没有空间（Space）链接此论文

在空间（Space）README.md 中引用 arxiv.org/abs/2605.09423 以从此页面建立链接。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面建立链接。