知识卡片：InterEvolve：人形机器人移动-操作任务的测试时奖励程序演化

说明：本次未能抓取论文正文，以下内容仅依据 URL、标题、主题标签与摘要级元数据整理。凡摘要未直接支持的具体数值、对比结论与实现细节，均标注“待核实”。

一句话结论

InterEvolve 把“奖励程序”本身变成可在测试时被大语言模型改写、被数值优化器调参、并在并行仿真中反复验证的对象，从而在不重新训练控制器的前提下，让人形机器人把已有的移动-操作技能重组出来完成新任务（依据仅为摘要级材料，待核实）。

事件概述或研究问题

• 英文标题：InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation（Track: academic；Topics: foundation-model）。
• 研究对象是 humanoid loco-manipulation（人形机器人的移动与操作耦合任务）。
• 研究问题（据摘要）：控制器从未被针对某任务训练过，能否在测试时复用它已有的技能、从自己的尝试中改进，并保留学到的东西，而不做重训练。
• 核心假设（据摘要）：一个“广谱”控制器其实已具备新任务所需的大部分能力，缺的是规划与控制之间的接口——这个接口既要足够有表达力去描述接触丰富、多阶段的交互，又要足够可执行、可度量，使执行反馈能反过来指导规划。

方法/产品要点

据摘要，InterEvolve 由两个组件构成：

1. 对象感知的前向-后向（forward-backward, FB）行为基础模型

   • 在冻结的 body prior（身体先验）之上加入 object residual（物体残差）。
   • 作用：在测试时把一条关于身体或物体的新奖励转译成移动-操作行为。
   • 模型结构、训练数据、冻结范围等细节：待核实。

2. 以“奖励程序”（reward programs）刻画任务

   • 形式：分阶段奖励 + 完成条件 + 可调常数。
   • LLM agent 在上下文中修改程序结构，依据是执行反馈与一个由已验证程序组成的 skill library（技能库）。
   • 数值优化器负责调优程序中的常数。
   • 每个候选程序都在并行仿真场景中做验证，因此程序可以在迭代中探索如何诱发、复用与组合控制器已有的运动能力。
   • LLM 具体型号、优化算法、验证通过标准、迭代预算：待核实。

主要结果或产业意义

摘要给出的结论（具体数字均待核实）：

• 人类设计的奖励只释放了 FB 模型移动-操作能力的一部分；InterEvolve 演化出的程序释放了更多能力，有时表现为新颖策略。
• 在仿真中可为多样任务、复杂场景与长时程组合生成行为。
• 演化出的技能可在实体 Unitree G1 上、依托第一人称机载感知自主运行。
• 尚待核实：成功率、与基线的定量对比、任务数量、仿真平台名称、真机实验规模、是否开源代码与权重。

为什么重要

• 范式层面：把“测试时计算”从推理期 prompting / 采样，扩展到奖励与任务规格的测试时演化；控制器权重不动，改变的是任务接口与规划信号。
• 接口层面：论文强调的“表达力 vs 可执行、可度量”张力，是具身智能里连接基础模型与底层控制的关键工程问题。
• 能力再利用层面：主张新任务不必从零训练，而是把已有运动能力“诱导、复用、组合”出来，对机器人部署的成本结构有直接影响（待用原文数据验证）。
• 与既有脉络的关系（增量）：本卡片库此前已有“测试时迭代优化（图像生成参考一致性）”“预算感知的测试时模型选择（LLM）”两张卡，均聚焦在感知/生成与模型路由层面。InterEvolve 若成立，是把测试时迭代这一思路推进到具身控制与奖励程序空间的一条延伸，属于同一范式在不同模态上的新实例；但本条材料仅为摘要级别，尚不足以与上述卡片构成可比较的结论链。

局限与不确定性

• 正文未抓取，所有方法细节与实验结果均为待核实，包括但不限于：FB 模型的结构与训练方式、object residual 的具体形式、“冻结身体先验”的含义、奖励程序的语法与表达能力边界。
• 仿真到真机的迁移证据在摘要中仅有一句描述，真机任务种类、成功率、退化情况待核实。
• 演化式流程的计算成本、迭代次数、LLM 调用开销与可复现性待核实。
• 安全性、失败模式、以及对奖励程序被 LLM 改写后可能出现的奖励投机（reward hacking）是否设有防护，摘要未提及，待核实。
• 英文关键词（keywords）在现有材料中未给出，待核实；主题标签只有 foundation-model。
• arXiv 编号 2610.02196v1 对应的时间与收录信息亦待核实。

可用于图书/PPT/简报的角度

• “不改权重，改任务”：用奖励程序演化替代重训练的具身智能路线图。
• 规划-控制接口：表达力与可执行性之间的权衡，作为机器人基础模型章节的一个设计模式案例。
• LLM 作为程序修改器：LLM 改结构、数值优化器调常数的分工，可作为“符号搜索 + 连续优化”混合范式的例子。
• 技能库的复利效应：已验证程序沉淀为 skill library，迭代中复用，可类比软件工程中的回归测试与版本积累。
• 能力未被充分利用：人类设计奖励反而压制模型潜力，适合作为“评测设计决定能力上限”的论据（需原文数据支撑）。
• 仿真并行验证 + 真机自主执行：从仿真筛选到 Unitree G1 机载感知落地的流水线示意。

原始材料

• 来源 URL：https://arxiv.org/abs/2610.02196v1
• 英文标题：InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation
• Track：academic
• Topics：foundation-model
• Manual title：InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation
• 抓取状态：正文抓取失败，仅依据元数据与摘要级候选摘要整理；原始论文正文、图表、实验数据与英文关键词均待核实。