EmbodiedEvo speichert Robotik-Erfahrung außerhalb der Modellgewichte

Was Skills und Lessons festhalten

Skills speichern ausführbare Steuerverfahren und die Bedingungen, unter denen sie eingesetzt werden sollen. Ein Beispiel aus der Beschreibung des Preprints ist eine Greifroutine, die sich aus Beobachten, Anfahren, Schließen des Greifers und einer Prüfung des Ergebnisses zusammensetzen kann. Ein solcher Ablauf lässt sich parametrisieren und in späteren Programmen erneut verwenden. [2]

Lessons halten ergänzendes Erfahrungswissen fest: beobachtete Fehler, physische Einschränkungen und mögliche Wiederherstellungswege. Damit soll das System nicht nur speichern, welche Aktionen in einer Szene funktioniert haben, sondern auch, wann ein Verfahren passt und woran der Agent erkennen kann, ob es gelungen ist. [2]

Diese Aufteilung adressiert ein Problem, das der Preprint anhand von Fehlversuchen beschreibt: Eine plausible Abfolge von Befehlen garantiert noch keine erfolgreiche Manipulation. Ein Greifer kann beispielsweise die vorgesehenen Zielpositionen erreichen, ohne einen Gegenstand zuverlässig aufzunehmen. Eine gespeicherte Routine soll deshalb auch Prüfschritte und Bedingungen enthalten, nicht nur Bewegungsanweisungen. [2]

Berichtete Verbesserungen im Benchmark

Der Preprint berichtet für GPT-6-Astra mit „xhigh“-Reasoning-Einstellung eine Erfolgsrate von 37,82 Prozent, wenn Aufgabenbeschreibungen und Wiki-Rezepte verfügbar sind. Als Vergleich nennt das Paper ein zuvor veröffentlichtes Astra-Ergebnis von 22,48 Prozent. Die Auswertung umfasst laut Preprint 50 Test-Szenen pro Aufgabe. Dies sind Angaben der Autoren zu einer Benchmark-Auswertung, keine unabhängige Bestätigung der Leistung außerhalb des Versuchsaufbaus. [2]

Für einen gepaarten Vergleich, in dem Ausführungsmodell und Szenen konstant gehalten wurden, nennt der Preprint eine Steigerung von 8,50 auf 30,17 Prozent Erfolgsrate, wenn die Agenten zusätzlich zu den Aufgabenbeschreibungen Skills und Lessons erhalten. Der Projektbeitrag nennt für einen anderen Vergleich auf abgestimmten Entwicklungsszenen einen Anstieg von 13,36 auf 35,08 Prozent mit Aufgabenbeschreibung und Wiki. Da die Angaben unterschiedliche Bedingungen benennen, sollten sie nicht zu einer einzigen Kennzahl zusammengezogen werden. [1] [2]

Der Projektbeitrag hebt außerdem zwei Aufgaben hervor: Bei Tic-Tac-Toe soll die Erfolgsrate mit Aufgabenbeschreibungen von null auf 100 Prozent gestiegen sein; beim Sortieren nach einer Demonstration von null auf 80 Prozent. Als relevante Erfahrungen nennt der Beitrag einen zuverlässigen Griff am Rand eines Rings beziehungsweise das Abwarten, bis die Beobachtung der Demonstration abgeschlossen ist. Diese Resultate sind Angaben des Projektteams; der bereitgestellte Preprint-Auszug enthält keine vollständigen Tabellen zur unabhängigen Nachprüfung dieser Einzelwerte. [1]

• Der Preprint ordnet die Aufgaben den Bereichen Generalisierung, Präzision, Langzeitaufgaben, Gedächtnis und offene Aufgaben zu. [2]
• Die Autoren berichten von besonders deutlichen Zugewinnen bei gedächtnisabhängigen Aufgaben und bei der Wiederverwendung koordinierter Verfahren, etwa beim Stapeln von Blöcken. [2]
• Feine Einführbewegungen und der Umgang mit Flüssigkeiten bleiben laut Preprint schwierig. [2]

Erfahrung kann zwischen Modellen wechseln

EmbodiedEvo soll nicht nur innerhalb desselben Modells nutzbar sein. Im Projektbeitrag steigt die Erfolgsrate von Sol mit eingefrorener Astra-Erfahrung von 3,17 auf 12,03 Prozent; bei Luna nennt EinsiaAI einen Anstieg von null auf 5,50 Prozent. Der Preprint bestätigt den Transfer in zusammengefasster Form und beziffert die Zugewinne gegenüber einem Einsatz ohne Erfahrung auf 8,86 beziehungsweise 5,50 Prozentpunkte. [1] [2]

Für eine festgelegte Gruppe verwandter Zielaufgaben gibt der Projektbeitrag einen zusätzlichen Zugewinn von 14,72 Prozentpunkten durch Erfahrung aus verwandten Aufgaben an. Demnach musste der empfangende Agent nicht erst selbst weitere Playground-Exploration durchführen. Wie breit sich diese Ergebnisse auf andere Modelle, Aufgabenfamilien oder Einsatzbedingungen übertragen lassen, geht aus den vorliegenden Angaben nicht hervor. [1]

Ein weiterer Vergleich betrifft die Form, in der Erfahrung gespeichert wird. Laut Projektbeitrag erzielen Skills und Lessons eine Erfolgsrate von 30,17 Prozent gegenüber 29,78 Prozent mit Rohverläufen der Interaktionen; zugleich seien im Test 11,3 Prozent weniger Tokens angefallen. Der Preprint fasst den Vergleich mit Rohverläufen anders zusammen und berichtet eine vergleichbare Leistung bei 53 Prozent niedrigeren Testkosten. Tokenverbrauch und Testkosten sind unterschiedliche Messgrößen; der bereitgestellte Text erklärt die Abweichung zwischen den Angaben nicht näher. [1] [2]

Präzision bleibt eine Grenze

Die gemeldeten Verbesserungen bedeuten nicht, dass der Agent physische Aufgaben nun zuverlässig beherrscht. Der Projektbeitrag beschreibt einen Versuch zum Einführen eines Rohrs, bei dem der Score auf abgestimmten Entwicklungsszenen von vier auf 36 steigt, die Erfolgsrate aber bei null Prozent bleibt. Das Team folgert daraus, dass Fortschritt in einem Teil der Aufgabe nicht ausreicht, wenn der Kontakt zum Zielobjekt nicht zuverlässig gelingt. [1]

Als nächste Schritte nennt der Beitrag eine stärkere Konzentration der Exploration auf schwierige Kontaktphasen und Tests der Verfahren unter Störungen. Der Preprint kommt zu einer ähnlichen Einschränkung: Präzise Einführvorgänge und der Umgang mit Flüssigkeiten seien weiterhin schwierig. Die Quellen belegen damit Fortschritte bei einzelnen Benchmarks, aber keine allgemeine Robustheit gegenüber veränderten Kontaktbedingungen. [1] [2]

Wichtig ist außerdem der Simulationskontext. Die ausgewerteten Aufgaben laufen laut Preprint auf RoboDojo-Sim; die beschriebenen Resultate sind daher keine Demonstration, dass EmbodiedEvo auf realer Roboterhardware dieselben Erfolgsraten erreicht. Für einen betrieblichen Einsatz in der physischen Welt wäre eine gesonderte Validierung erforderlich. [2]

Bedeutung für Unternehmen: Wissen wird zu einem prüfbaren Artefakt

Für Unternehmen liegt der analytische Reiz des Ansatzes in der Trennung zwischen Modell und Erfahrungsbestand. Wenn ein Verfahren aus einer Interaktion als lesbarer Code samt Einsatzbedingungen und Prüfschritten festgehalten wird, kann es prinzipiell geprüft und einem anderen Agenten bereitgestellt werden, ohne dessen Modellgewichte zu ändern. Der Preprint beschreibt zudem, dass der Test-Harness schreibgeschützt ist, während der Test-Agent seine lokale Lösung weiterentwickeln kann. [2]

Daraus folgt nicht automatisch, dass ein einmal gespeicherter Skill für jede Umgebung sicher oder wirksam ist. Die von den Autoren betonte Rolle der Einsatzbedingungen und Ergebnisprüfungen ist gerade deshalb relevant: Layouts können variieren, und der Agent muss anhand aktueller Beobachtungen entscheiden, wie er weiterarbeitet. Die berichteten Schwierigkeiten bei Präzisionsaufgaben zeigen, dass eine dokumentierte Prozedur allein noch keinen verlässlichen Erfolg garantiert. [2]

Für eine Beschaffungs- oder Pilotentscheidung sollten Sie die Ergebnisse deshalb als Hinweis auf einen möglichen Workflow verstehen, nicht als Nachweis produktionsreifer Robotik. Aussagekräftig wären insbesondere getrennte Messungen für neue Layouts, veränderte Kontaktbedingungen und unterschiedliche Ausführungsmodelle. Die vorliegenden Quellen berichten über neue Layouts und einen Modelltransfer, enthalten aber keine belastbaren Ergebnisse für den Einsatz auf realer Hardware. [1] [2]

Einordnung der Evidenz

Die detaillierteste Quelle im vorliegenden Material ist ein am 13. Oktober 2026 datierter arXiv-Preprint; der Projektbeitrag folgte am 15. Oktober. Beide beschreiben Ergebnisse des EmbodiedEvo-Teams. Die Zahlen sind daher als von den Projektverantwortlichen berichtete Benchmark-Ergebnisse zu verstehen, nicht als unabhängige Replikation. [1] [2]

Hinzu kommen die nicht aufgelösten Unterschiede bei Durchschnittswert, Erfolgsrate und Kostenvergleich. Sie ändern nichts daran, dass beide Texte die zentrale Methode ähnlich darstellen: Ein Agent übt in einer Szene, hält Verfahren und Lessons fest und stellt sie Test-Agenten für andere Layouts bereit. Für eine Bewertung der Ergebnisstärke sollten Sie jedoch die jeweils zugrunde liegenden Testbedingungen und Messgrößen getrennt betrachten. [1] [2]

Quellen

1. [1] RT by @_akhaliq: Coding agents are entering the physical world. Zero-shot is only the starting point. What if we gave them practice—and let the next agent inherit what they learned? EmbodiedEvo: one Playground → reusable Skills & Lessons → unseen layouts. No model-weight updates. 45.08 average score. 38.95% success. #1 on the RoboDojo leaderboard. Project: Paper: Github： — https://x.com/EinsiaAI/status/2110739977025798568 (abgerufen am 2026-10-15)
2. [2] EmbodiedEvo: Self-improving Coding Agents for Physical Intelligence — https://arxiv.org/html/2610.18867v1 (abgerufen am 2026-10-15)