Naukowcy z arXiv przedstawili SHAPER - framework do samodzielnej adaptacji wcielonych agentów, który zamraża parametry modelu i poprawia system poprzez ewolucję umiejętności oraz harness'u kontekstowo-kodowego bez konieczności dodatkowego treningu. Problem, który rozwiązuje SHAPER, to realność współczesnych systemów robotycznych budowanych wokół wielkich modeli - ich wydajność zależy nie tylko od wag sieci, ale też od otaczających je umiejętności, interfejsów akcji i sposobu wykonania.
Dotychczasowe podejścia miały poważne ograniczenia: supervised fine-tuning i reinforcement learning wymagały dodatkowych danych, nagród i czasu na trenowanie, a podejścia oparte na kodzie polegały na programowalnych API robotów, które mogą być niedostępne w warunkach ograniczonego interfejsu. SHAPER rozwiązuje to, wykorzystując ten sam zamrażony model zarówno jako planista, jak i optymalizator - model może ulepszać swoje zewnętrzne umiejętności bez zmian wewnętrznych parametrów.
Autorzy testowali SHAPER na benchmarkach VLABench i ESI-Bench, obejmujących agenty z różnymi interfejsami akcji niskiego poziomu, i porównywali z czystym wykonaniem, supervised fine-tuningiem oraz metodami test-time-scaling. Wyniki sugerują, że optymalizacja umiejętności i harness'u to praktyczna droga do samodzielnie ewoluujących agentów wcielonych, szczególnie gdy trenowanie modelu jest drogie, niedostępne lub niepożądane.