论文页面 - EMHO：通过经验轨迹优化具身智能体框架

来源：https://huggingface.co/papers/2610.08432

摘要

改进具身智能体（embodied agents）通常侧重于通过训练优化底层模型，而控制规划、上下文和工具使用的智能体框架（agent harness）通常依靠人工设计。我们探究这种框架能否直接从经验轨迹中进行自我改进，尤其是在环境反馈稀疏的条件下。我们提出EMbodied Agent Harness Optimization（EMHO），一个自进化框架：保持具身模型冻结不变，通过分析执行轨迹和历史框架迭代地修订其框架。EMHO的优化超越了技能或恢复提示，而是修改智能体监控进展、使用视觉工具、落地观测以及应对失败的方式。为支持使用单一框架处理多个子任务，我们引入EMHO-Merge，通过使用episode级别的增益与损失来引导有据可依的修订行为应用时机与方式，从而解决跨子任务联合优化单一共享框架中的权衡问题。我们在EmbodiedBench上对导航和操作任务评估EMHO，结果表明EMHO在Qwen 9B和27B模型上均持续提升任务成功率。定性分析显示，EMHO不仅能从失败和无用动作中恢复，还能重塑具身智能体解读和与环境交互的方式。

查看 arXiv 页面 (https://arxiv.org/abs/2610.08432) 查看 PDF (https://arxiv.org/pdf/2610.08432) 项目页面 (https://hyunjung00.github.io/emho/) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2610.08432)

在你的智能体中获取这篇论文：

hf papers read 2610\.08432

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

引用本文的模型 0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2610.08432 以从此页面关联。

引用本文的数据集 0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.08432 以从此页面关联。

引用本文的 Spaces 0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2610.08432 以从此页面关联。

包含本文的收藏集 0

没有收藏集包含本文

将本文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面关联。