ELITE：面向自改进具身智能体的经验学习与意图感知迁移

视觉语言模型（VLM）已展现出卓越的通用能力，但基于其构建的具身智能体在复杂任务上屡屡失败，往往跳过关键步骤、提出无效动作并重复犯错。这些失败源于VLM静态训练数据与具身任务物理交互之间的根本鸿沟。VLM能从静态数据中学到丰富的语义知识，却缺乏与世界交互的能力。为解决这一问题，我们提出ELITE，一个具备经验学习（Experiential Learning）与意图感知迁移（Intent-aware Transfer）的具身智能体框架，使智能体能够从自身的环境交互经验中持续学习，并将习得的知识迁移到流程相似的任务上。ELITE通过两个协同机制运作，即自反思知识构建与意图感知检索。具体而言，自反思知识构建从执行轨迹中抽取可复用策略，并通过结构化精炼操作维护一个不断演化的策略池。随后，意图感知检索从策略池中识别相关策略并将其应用于当前任务。在EB-ALFRED与EB-Habitat基准上的实验表明，ELITE在无任何监督的在线设置下相对基础VLM分别取得9%和5%的性能提升。在有监督设置下，ELITE能有效泛化到未见过的任务类别，性能优于最先进的基于训练的方法。这些结果证明了ELITE在弥合语义理解与可靠动作执行之间鸿沟方面的有效性。