怎样让 Codex 在物理世界干活？清华大学联合无问芯穹、正行创新全新开源具身智能体基础设施 RPent，任务加速 7 倍

随着 GPT-6 Astra 开始接受真实机器人操作测试，数字世界的智能体范式正逐渐走向物理世界。同时也把一个问题变得越来越具体：通用大模型，能否成为机器人的「大脑」，让机器人真正完成现实世界中的复杂任务？

但物理世界中的智能体，不仅要「想明白」，还必须「看得见、做得到、反应快」，并且「记得住」。

今天，由清华大学、无问芯穹、正行创新联合发起的具身智能体基础设施 RPent 正式开源。RPent 面向真实物理世界，将通用大模型的任务理解与规划能力、VLA 等专家模型的精细操作能力，以及记忆、工具和机器人接口连接起来，形成从感知、决策、执行到反馈纠错的完整闭环，使智能体能够持续适应环境变化，并将经过验证的经验沉淀为可复用的能力，在与物理环境的持续交互中不断学习和进化。在 LIBERO-PRO 基准测试中达到 92.6% 的任务成功率，并将端到端任务完成速度优化 7 倍以上。

RPent 真机效果：从「会动」到「会做事」

此次发布同步释出了一系列 RPent 真机 demo，展示了多个有趣的开放式任务：值得注意的是，这些任务并不是为每一种场景单独训练一个专用策略。机器人真正发生的变化，是开始从「执行学过的动作」，走向「理解任务、调用能力，并根据环境变化调整行动」。

例如，当任务变化为「将干净餐具放入纸箱」时，面对同一只蓝色盘子，冻结 VLA 只会沿用训练时学到的动作，将它错误地放入金属篮中；

而在 RPent 中，智能体会先观察当前环境，再根据新的目标选择放置位置。执行过程中，如果视觉定位出现偏差，它还会检查结果、排除错误目标，并重新定位手中的盘子。任务变了，机器人也能随之改变行动。

另一个任务中，机器人需要读取瓶身和袋子上的品牌标签，将不同饮料放入对应的袋子。

抓起瓶子后，它会先进行小幅试抬，确认夹持稳定；当原有运动路径不可行时，再调整腕部姿态继续执行。

面对被碗遮挡的勺子，机器人也不会直接尝试抓取，而是先移开两个碗，让目标重新变得可见、可达。

这里展示的已经不再是一条预先写死的动作序列，而是一个完整的「观察—判断—执行—纠错」闭环。

最后两个任务中，机器人可以将原本用于「拿起并放置容器」的技能重新组合，用于倾倒钢珠；又把抓取动作与双臂协同、持续接触组合起来，完成持盘、擦拭和收纳。

探索成功后，RPent 会把经过验证的任务逻辑沉淀为任务卡（Task Card）；再次执行时，RPent 可以启用Flash Mode ，通过任务卡直接复用这套流程，只根据当前视觉状态做必要调整，避免每一步都重新调用大模型，有效降低了具身智能体执行的延时。

重要的并不是「机器人又学会了几个动作」，而是「当机器人走向开放世界，新的任务、物体和障碍不断出现时，它能否像人一样将已有技能重新组织起来，完成训练分布之外的任务？」

RPent 所探索的，正是这样的具身智能体形态——机器人不再只是执行一条固定指令，而是能够理解目标、调用能力、应对变化，并将一次成功沉淀为下一次可以复用的经验，这正是具身智能体的雏形。

RPent 核心设计思路：让模型各自承担擅长的事

RPent 不是让某一个模型变得无所不能，包办从任务理解到机械臂控制的全部工作，而是将具身智能拆解为不同层次的能力，让不同模型各自承担最擅长的事情：

￮ 通用大模型负责理解任务、制定计划；

￮ VLA、WAM 等专家模型负责高精度动作执行；

￮  记忆系统沉淀经验，推动智能体持续优化；

￮  框架负责连接模型、工具与真实环境，形成闭环。

形成「观察—规划—执行—反馈—再规划」的闭环，让智能体从一次性执行任务，走向在真实世界中持续成长。

当智能体走向真实世界，变化的不只是模型能力的边界，也包括支撑这种能力运行的基础设施形态。RPent 所代表的，正是大模型真正走进物理世界之后，需要重新构建的下一层基础设施。

来源：互联网