Manifold AI 的 R²SI 登頂 RoboDojo 榜，超越 GPT-6-Astra
Manifold AI 流形空間的 WorldScape R²SI 框架在機器人學習基準 RoboDojo 的 Agent Track 登頂，超過 GPT-6-Astra 與輝達 GR00T-N1.7。該框架由內外雙層 Agent 組成，內層執行任務，外層跨輪次復盤、修訂 Skill 並訓練 reactive model（WSP）。在 push_T 任務中，動作步數從首輪 723 步（超出 600 步預算）降至 596 步，再降至 389 步，降幅約 35%。
首次公開 R²SI 雙層 Agent 的具體改進案例與步數變化（723→596→389），並給出登頂 RoboDojo 的官方成績，對做具身智慧與機器人學習的團隊有參考價值。
原標題：登顶RoboDojo智能体超过GPT-6 Astra：Manifold AI推出R²SI
閱讀原文
| 評分 | 65 / 65（平均 65，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Recursia 零樣本長時機器人操作超輝達 ASPIRE 最高 15.1 個百分點
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
RoboFoundry 凍結基座模型只進化系統，GPT-5.5 具身成功率升至 72.7%
新加坡南洋理工大學、北航、新加坡國立大學、上海交大等團隊提出 RoboFoundry，把機器人智慧體的整套外圍系統當作策略來進化，基座模型引數保持凍結。在 EmbodiedBench 上，GPT-5.5 的平均成功率從 56.9% 提升到 72.7%，五個基座模型全部提升，基座間最大差距由 19.6 個百分點縮小到約 11.5。長程記憶基準 RoboMemArena 上任務成功率比所有基線至少高 39.0%，真機套娃任務成功率 70%，單獨使用 π0.5 為 30%。
ROMA 讓機器人主動互動探索物體，7B 模型比肩 GPT-6 Astra
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。
CodeActionBench 發布：GPT-6 Astra 機器人操作成功率 73.3%
南洋理工大學研究者與合作者發布 CodeActionBench，用 25 個雙臂模擬任務評測通用多模態 Agent 的機器人操作能力。GPT-6 Astra 在 Codex CLI 下嘗試成功率 73.3% 居首，75 次嘗試完成 55 次、22 個任務至少成功一次；Claude Opus 5 在 Reference harness 與 Claude Code 下分別為 49.3% 和 45.3%，Gemini 3.6 Flash 為 20.0%。
Einsia AI 發布 EmbodiedEvo，自進化 Coding Agent 登頂 RoboDojo
Einsia AI 旗下 Navers Lab 發布 EmbodiedEvo，讓 Coding Agent 在單個 Playground 場景中通過互動積累程式碼 Skills 與文字 Lessons，凍結經驗後交給新 Agent 在未見場景複用，全程不更新模型權重。在具身評測 RoboDojo 上，它以 45.08 平均分、38.95% 成功率超過所有 VLA/WAM 與 Agent 方法；