你有没有想过这样一个问题：一个机器人学会了"捡起杯子"和"打开抽屉"这两件事之后，它能不能自己推理出"把杯子放进抽屉里再关上"这种它从没练习过的组合动作？
这听起来像是常识，人类孩子两三岁就能做到。但如果你去翻一翻现在的具身智能（也就是能在物理世界里行动的AI系统）研究会发现，这件事其实一直没人认真测过。来自北京大学、北京通用人工智能研究院和香港大学的研究团队盯上了这个空白，搞出了一个叫EmbodiedCLBench的评测基准，专门用来回答这个问题。
**核心问题出在哪**
先说清楚这个领域现在卡在哪里。
持续学习*：指模型或智能体能够不断从过去的经验中积累知识，并把这些知识用到新任务上的能力，而不是每次遇到新任务都从零开始。
这个概念本身不新，但过去的研究基本都发生在"非具身"环境里。什么意思？就是研究对象是纯文本的问答系统、代码生成模型，或者是在数字世界里点点鼠标的网页自动化智能体。这些环境有个共同点：它们不需要处理三维空间、物理碰撞、视角变化这些麻烦事。
而具身智能评测这边呢，情况恰恰相反。已经有大量基准测试机器人的场景理解能力、导航能力、抓取操作能力，但这些测试基本都是"一次性"的，你让机器人做一个任务，看它做得好不好，没人问过"如果它之前做过别的相关任务，会不会做得更好"。
这就好比你想考察一个厨师能不能举一反三，但考试题库里全是独立菜品，从来没出现过"你学会了炒青菜和煮米饭，现在给你一份没做过的盖浇饭"这种题型。研究者们意识到，这个"举一反三"的能力，恰恰是机器人要在真实家庭、真实工厂里长期自主运作的核心前提，可现有的测试体系里压根找不到对应的考题。
**用组合泛化当尺子**
研究团队想出的办法是：用组合泛化这个概念，把"持续学习能力"变成一个可以量化测量的东西。
组合泛化*：指模型把已经学会的若干个基本技能元素重新拼接组合，去解决一个从没见过的新任务的能力。
这个设计思路其实挺巧妙的。持续学习本身是个很抽象的词，你没法直接给它打分。但如果你换个角度：让智能体先去做一批简单任务，攒点经验，再让它去挑战一批没见过的复杂任务，看它能不能把简单任务里学到的东西用上，这就变成了一个可操作、可打分的流程。
具体到基准里，任务被切成了三个层级。最底层叫原子动作，就是单次的物体交互，比如"捡起杯子"，它本身还可以拆成走过去、看一眼、拿起来这三个步骤。往上一层是基础任务，把两三个原子动作串成一个实际的家务操作，比如"把杯子放到桌上"。最顶层是高级任务，组合更多原子动作，比如"整理房间"要求你先捡起书放到书架上，再关上柜子，还要把灯关掉。
这里有个细节值得多说一句。高级任务不是随便拼凑的，它的原子动作会跨越两到四个不同的基础任务类别。这个设计是故意的，目的就是逼着智能体必须真正理解不同技能之间怎么组合，而不是单纯记住了某一类任务的套路就能蒙混过关。
如果你不这样设计会怎样？假设高级任务和基础任务用的都是同一个类别的技能，那智能体很可能只是在做简单的模式匹配，看到相似场景就套用相似动作，这根本测不出它有没有真正学会迁移知识。就像如果考试只考课本里原题的变体，你永远分不清学生是真的理解了，还是单纯背熟了解题套路。
**离线的状态转移图：把仿真世界"拍扁"成可复用的数据**
研究团队选用的仿真平台叫TongSim，一个支持丰富物理交互的室内家居场景仿真器。
TongSim*：由北京通用人工智能研究院开发的通用智能体仿真平台，支持多种室内场景、51类物体和7种可执行动作，闭源版本比开源版本功能更丰富。
但这里出现了一个工程难题：闭源版本功能虽强，却没法拿来做大规模在线实时评测，跑不动那么多智能体反复交互。研究团队的解法是把每个任务提前"录制"成一张状态转移图。
状态转移图*：把一个任务的执行过程表示成一张图，图上每个节点代表环境中的一个具体状态（比如"靠近柜子且看着台灯"），节点之间的连边代表一个可执行的动作，走完整条路径就等于完成了任务。
每个节点都配了一张从TongSim里实际截取的第一人称视角图片，以及几个候选动作选项。评测的时候，智能体看图选动作，选完就跳到下一个节点，全程不需要真的去跑仿真器。
这个设计的好处显而易见：评测可以完全离线、并行运行，不用反复启动笨重的仿真环境；研究者还能通过控制图的分支数量和深度，精确调节任务难度；更重要的是，因为每一步决策都能对照着提前算好的最优路径去检查，研究者可以做非常细粒度的行为分析，精确知道智能体在哪一步犯了什么类型的错误。
这就像是把一场体育比赛提前拆解成逐帧的剧本和分镜，而不是每次都要重新组织一整支球队到真实球场上比赛。如果没有这张图，你每次想知道智能体某个决策对不对，都得重新跑一遍完整仿真，既慢又没法精确定位问题出在第几步。有了图，评测效率和诊断精度都上了一个台阶。
图里的候选动作还特意设计成三种类型：跟着最短路径走的最优动作，能执行但绕远路的次优动作，以及在当前状态下根本执行不了的无效动作。这个三分类后面会在错误分析里派上大用场。
**三种学习方式的较量**
研究团队设计了三种评测场景来对比智能体的表现。
零样本*：指智能体没有任何学习阶段，直接上手完成基础任务或高级任务。
情境学习*：学习阶段让智能体先完成两个相关的基础任务，测试阶段把这两个任务的完整交互轨迹都保留在上下文里，让智能体参考着做。
技能学习*：学习阶段同样完成两个基础任务，但不是把完整轨迹塞进上下文，而是让智能体自己把经验总结成一份简洁的技能摘要，测试阶段只给这份摘要。
实验覆盖了四种智能体框架，分别是OpenClaw、Claude Code、Codex和Hermes，每种框架又搭配了两个不同的底层大模型。
结果摆出来挺直观的。零样本情况下，智能体做基础任务的成功率大概在50%左右，说明简单家务对现在的AI来说不算太难。但一旦换成高级任务，零样本成功率直接跳水到10%左右，有的框架甚至只有3%到5%。这就验证了高级任务确实是真的难，不是随便凑数的。
而一旦给了经验，情况完全变了。无论是情境学习还是技能学习，高级任务的成功率都能冲到30%以上，像Hermes配Qwen3.8-Flash这个组合，用情境学习之后成功率直接从8%跳到44%。这个提升在所有四种框架上都稳定出现，说明基础任务里攒下的经验，确实能迁移到没见过的高级任务上去。
不过有意思的是，情境学习和技能学习两种方式之间没有谁明显更强，胜负不固定。研究者猜测这两种方式可能各自抓住了经验里不同的有效信息，一个是靠完整轨迹的细节，一个是靠总结后的精炼要点，各有各的用法。
| 框架 | 模型 | 基础任务零样本 | 高级任务零样本 | 情境学习 | 技能学习 |
|---|---|---|---|---|---|
| Hermes | Qwen3.8-Flash | 58.9 | 8.0 | **44.0** | 33.0 |
| Hermes | GPT5.6-Terra | 53.0 | 11.0 | 16.0 | **34.0** |
| OpenClaw | Qwen3.8-Flash | 50.6 | 5.0 | 35.0 | **38.0** |
| OpenClaw | GPT5.6-Terra | 47.6 | 12.0 | **39.0** | 22.0 |
| Codex | Qwen3.8-Flash | 52.4 | 4.0 | 34.0 | 33.0 |
| Codex | GPT5.6-Terra | 54.8 | 11.0 | **52.0** | 26.0 |
| Claude Code | Qwen3.8-Flash | 42.9 | 3.0 | **27.0** | 31.0 |
| Claude Code | GPT5.6-Terra | 51.8 | 9.0 | **31.0** | 25.0 |
**任务越难，经验的价值就越低吗**
这是研究团队提出的第二个问题：随着高级任务要组合的原子动作数量从3个增加到6个，持续学习带来的好处会不会被稀释掉？
直觉上你可能会觉得，任务越复杂，需要组合的元素越多，智能体出错的机会就越多，之前积累的经验帮助应该也会打折扣。
但实际数据讲了一个不太一样的故事。零样本成功率确实随着复杂度增加急剧下滑，从3个原子动作时的28%一路跌到6个原子动作时的4%，几乎是断崖式的。但情境学习和技能学习相对零样本的"增益"，也就是用了经验之后比不用经验多出来的那部分成功率，却基本稳定在30%左右，没有跟着明显下滑。
换句话说，哪怕任务难到零样本智能体几乎碰都碰不到（4%的成功率），有经验的智能体依然能把成功率拉到32%左右。这就好比一个新手厨师独立做复杂的八道菜宴席几乎必然失败，但如果他之前哪怕只是认真练过两道相关的菜，他能稳定地比完全没练过的新手多做出三成的菜品，无论宴席规模是扩大到十道菜还是十二道菜，这个相对优势都不会消失。经验带来的提升似乎并不随着任务难度的增加而被"稀释"，它更像是一种相对稳定的底层能力加成。
**一次经验就够了？更多经验反而没用**
这是整篇论文里我觉得最反直觉的一个发现。
按照常理推测，持续学习的核心假设应该是"经验越多越好"，这几乎是这个研究方向存在的根本逻辑前提。但研究团队把学习阶段的基础任务数量从0个一路加到6个之后发现，事情完全不是这样。
最大的跃升发生在从0个样本到1个样本之间。只学1个基础任务，成功率就能从8%到10%猛涨到28%到40%，这一步几乎吃掉了整个提升空间的大头。可一旦过了这个点，往2个、3个、4个、5个、6个样本继续加，成功率曲线就开始上蹿下跳，看不出任何稳定的上升趋势，四条曲线没有一条表现出持续增长的规律。
这说明了什么？现在的智能体似乎只能从"有没有经验"这个二元状态里获益，而没法从"经验的多少"里提取出更细致的增量信息。
打个比方，这就像一个人第一次学骑自行车，摔了一次之后突然就掌握了平衡的感觉，但你让他接着摔十次，他的骑车水平并不会因此继续提高十倍，因为他大脑里需要的关键信息在第一次摔倒时就已经抓到了，后面的重复摔倒提供的是冗余信息，而不是新知识。如果真正可扩展的持续学习是可能的，成功率理应随着样本数量稳步爬升，但现实是曲线在第一个样本之后就陷入了混乱的平台期，这暴露出现在的智能体并不具备真正"越学越强"的能力，它们可能只是学到了"有没有相关经验这件事本身"，而没学到"经验里具体有哪些可以逐步积累的细节"。
**经验到底改变了什么：少犯"不可能"的错误**
既然知道经验有用，那它具体是怎么起作用的？研究团队做了一个挺细致的拆解。
前面提到，图上每个候选动作分三种类型：最优动作、可执行但绕远的次优动作，还有根本执行不了的无效动作。研究者统计了智能体在零样本和有经验两种情况下，分别选这三类动作的比例变化。
结果显示，有了经验之后，智能体选无效动作的比例大幅下降，降幅在13%到20%之间，同时选最优动作的比例明显上升，次优动作也有小幅增加。这个趋势在所有四个框架上都一致。
这个发现挺关键的，它告诉我们经验起作用的机制不是让智能体变得更聪明地去"规划最短路径"，而更像是让智能体先学会了"哪些事在当前场景下根本做不了"。减少无效动作，意味着智能体能更顺畅地走在一条可执行的路径上，更容易在步数预算耗尽之前抵达终点。
这就像是你带一个从没进过厨房的人第一次做饭，他可能会尝试把冷冻的肉直接放进烤箱而不解冻，或者在锅没预热时就倒油，这些举动不是"方向错了"，而是压根不符合物理操作规律。如果他之前哪怕只观察过一次别人做饭，他至少会知道这些事行不通，从而把精力留给真正需要判断的步骤，比如火候和调味。经验先帮你排除掉了那些根本走不通的岔路，再谈怎么走最优路径。
另外一个细节是，情境学习带来的这种行为转变幅度，普遍比技能学习更大。研究者推测这可能跟经验的呈现形式有关，完整的交互轨迹更容易让智能体复制具体的操作模式，而总结后的技能摘要信息更凝练，改变幅度相对克制但更聚焦。
**给点容错空间，经验的优势会放大**
论文还测了一个工程细节：如果把允许超出最短路径的步数预算放宽，结果会怎样变化。
默认设置是测试阶段允许比最短路径多走3步作为容错，学习阶段允许多走6步方便探索。研究团队把这个容错步数从0一路调到6，观察三种设置下成功率的变化曲线。
三条曲线都是单调上升的，这不意外，预算越宽松，智能体犯错的机会成本越低。但有意思的是，在最严苛的0步容错下，零样本成功率直接是0%，而情境学习和技能学习依然能分别做到15%和7%。哪怕宽松到6步容错，零样本和有经验智能体之间的差距依然很大，没有被"抹平"。
这说明什么？单纯放宽容错步数，并不能替代经验本身的作用。你给一个完全没有相关背景知识的人再多的时间，他可能依然在做无意义的尝试；而有经验的人哪怕时间紧，也能更快找到正确的方向。预算宽松度和经验积累，解决的是两个不同维度的问题，一个管"容不容许犯错"，一个管"知不知道往哪走"，两者不能互相替代。
**写在后面**
读完这篇论文，最让我反复琢磨的其实是那个"一次经验就够了，但更多经验没用"的发现。这个结果某种程度上颠覆了我对"持续学习"这个词的默认想象，我原本以为持续学习的价值就应该体现在一条持续上扬的曲线上，越积累越强。但现在这些基于大语言模型的智能体展现出来的，更像是一种"开关式"的能力获取，有没有踩过门槛是关键，踩过之后的量变反而没有带来质变。
这让我联想到人类学习里一个类似但不完全相同的现象：有些技能确实存在"顿悟式"学习，一旦理解了核心原理，后续的重复练习带来的边际收益会迅速递减，除非你开始接触结构完全不同的新情境。那现在的问题是，这些智能体之所以榨不出额外信息，究竟是因为底层大模型本身的上下文整合能力有限，还是因为基准里提供的那几个基础任务彼此太相似，信息本身就有冗余？这篇论文没有回答这个问题，但它至少把这个盲区清清楚楚地摆在了桌面上，让后面的人知道该往哪个方向继续挖。
如果连续学十次都没法让一个AI机器人变得更会整理房间，那真正让它"学会学习"所缺的那一块，到底藏在哪里？
Q&A
Q1：EmbodiedCLBench是什么？
A：EmbodiedCLBench是北京大学等机构提出的首个具身仿真持续学习评测基准，用来测试AI智能体能否把从简单家务任务中学到的技能，组合迁移到没见过的复杂任务上。
Q2：智能体学习经验越多，表现是不是就越好？
A：不是。实验发现只学1个基础任务就能让成功率大幅跃升，但继续增加学习样本数量后，成功率不再稳定提升，说明目前的智能体无法从额外经验中持续提取有效信息。
Q3：有经验的智能体和零样本智能体相比，具体在哪里表现更好？
A：有经验的智能体选择无效动作的比例明显下降（降幅13%到20%），同时更多选择最优路径上的动作，说明经验主要帮它排除了不可执行的错误选项，而不是单纯让规划更聪明。
