智元发布具身Agent框架Genie Master，在真实便利店跑通Physi…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载便利店里的自主挂货
精灵G2机器人在一家真实运营的便利店中完成了多项任务，包括取货、补货、清洁、异常恢复以及多机协作。在一次挂货操作中，标签牌遮挡了目标位置，导致首次尝试失败。机器人没有依赖人工示范或现场调试，而是自主调整了策略，最终成功完成挂货。这一过程展示了机器人在真实业务场景中应对突发状况的能力。
从失败中积累有效经验
任务结束后，机器人回看了执行记录，发现头部相机的分辨率不足以清晰识别被遮挡的标签。它随即改变策略：改用左手靠近目标区域，利用腕部相机补充视角，再用右手完成挂货。这次调整产生的有效经验被机器人自行积累并留存，供后续类似任务使用。整个过程中，问题诊断、练习组织和结果评估均由Agent完成，无需工程师介入排查。
连接推理与动作的框架
智元发布的具身Agent框架Genie Master，属于AI WAVE系列第四弹。该框架连接上层Agent推理与底层机器人动作执行，重点构建机器人部署后的持续改进机制。传统改善方式依赖调整程序、补充示范数据或训练模型，而Genie Master将诊断、练习和评估交给Agent，把被动微调转变为机器人自进化模式。这有助于缩短从客户提出新需求到机器人掌握本领的周期。
真实场景跑通Physical RSI
此前类似工作多停留在仿真环境与实验室设定中，而Genie Master在真实便利店业务场景中跑通了Physical RSI，属行业首次。行业痛点是真实场景中的长尾情况需要工程师介入排查，Genie Master通过Agent自主处理这些情况，减少了人工干预。便利店实测覆盖了取货、补货、清洁、异常恢复和多机协作，验证了框架在复杂环境下的适用性。
为什么值得看
具身智能从仿真走向真实业务流的自我进化验证，关系到机器人部署后的维护成本与跨场景铺开速度。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。