研究论文 · 具身智能
RoboHarness：让机器人按任务边界编排 VLA、规划器和控制策略，而非迷信单一通用模型
30 秒速览
RoboHarness 用记忆记录不同策略的能力边界，按子任务动态选择 VLA、RL、TAMP 或 MPC，面向复杂长时序机器人任务。
完整摘要
RoboHarness 关注具身系统中常被忽视的问题：不同 VLA、世界模型、强化学习策略、任务规划器和控制器各有能力边界，复杂任务未必适合由单一通用模型从头执行。该框架通过经验记忆和任务分解，动态编排异构策略。
怎么做的 / 核心机制
系统将长任务拆成子目标，为每类策略维护成功条件、失败模式和历史经验；执行时根据当前状态和记忆选择最合适的策略，并在失败后切换或重规划。
关键结果 / 已披露进展
媒体介绍显示该方法在复杂长时序任务中优于固定单策略路线；当前抓取摘要未包含完整任务数、基线和数值，需以论文正文为准。
为什么值得看
它把机器人 Agent 的核心从“再造一个万能模型”转向 Harness 与路由问题，与现实系统中异构模型共存的趋势高度一致。
局限与判断
策略库质量、能力边界估计和任务分解错误都会限制效果；维护多个模型也增加部署复杂度、延迟和工程成本。
资料与核验
正文已由 AIA 完整中文整理；以下链接仅用于查看中文报道或核对一手材料。
原始标题：告别通用具身模型崇拜：具身智能走向异构策略编排
编辑：GPT · 2026-08-03 · 质量评分 88/100
编辑：GPT · 2026-08-03 · 质量评分 88/100