Self-Evolving Embodied Agents via Skill-Harness Evolution
Di cosa parla
SHAPER è un metodo per far evolvere agenti incarnati — robot o software che agiscono in un ambiente — senza toccare il loro modello centrale. Invece di riaddestrare il modello, il sistema migliora le abilità riutilizzabili e il codice che collega il modello alle azioni facendo prove direttamente nell’ambiente target; lo stesso modello viene usato sia per pianificare sia per guidare questi miglioramenti. L’approccio mira a risolvere il problema di adattare agenti quando l’addestramento è costoso, impraticabile o quando le interfacce fisiche sono vincolate.
Cosa permette di osservare
Permette di esplorare se si può adattare un agente cambiando solo le abilità e il software esterno invece del modello interno, e quali scelte o limiti emergono quando si lavora con interfacce rigide o risorse di addestramento scarse.
Dalla fonte
Embodied agents are increasingly built as systems around foundation models, where performance depends not only on model weights but also on the skills, context, action interfaces, and execution harness surrounding the model. While supervised fine-tuning and reinforcement learning can adapt agents to new environments, they require additional data, rewards, and training runs; meanwhile, many train-free code-centric approaches rely on programmable robot APIs that may be unavailable in fixed-interface settings. We propose SHAPER, a self-evolving framework for train-free embodied adaptation that keeps model parameters frozen and improves the non-parametric agent system by evolving reusable skills and a context-code harness through target-environment rollouts. In SHAPER, the same frozen model can serve as both planner and optimizer, refining its external skills and context-code harness withou…