Long-context
一次推理可以读多少 token。它缓解遗忘，但不能保证计划正确或完成条件可验证。
Research brief2026.08.25
Agentic
Long-Horizon
Tasks
从 AutoResearch × RSI 到具身长程行为：一份面向 20 分钟组会的研究地图、证据审计与讲述蓝图。
The long-horizon loop
01Goal完成标准
→
02Plan分层 / 滚动
↓
03Act工具 / 技能
←
04Verify进展 / 失败
↑
STATE
memory · evidence
Long-context 只是容量；长程能力来自可验证、可恢复的闭环。
20′目标时长
4.5′AutoResearch × RSI
12.5′具身智能主体
14建议页数
00 / Thesis
长程智能不是让模型
“一次想得更久”，
而是让系统持续维护状态、验证进展，并在失败后恢复。
数字研究 Agent 与机器人面对相同的系统问题；机器人还要承受连续控制、实时性、物理不可逆性和安全成本。
因此，AutoResearch 是一个干净的入口，具身智能才是本报告的主体。
01 / Why hard
单步能力不会自动组合成长期成功
先把三个经常混用的“长”拆开。
Long-term memory
能否跨步骤、跨 context 保存有用状态。错误记忆也会持久放大错误。
Long-horizon
许多相互依赖的决策；早期行动改变后续环境，失败必须被检测和恢复。
pH
0.9520 ≈ 36%
即使每个关键阶段有 95% 成功率，20 个阶段全部成功也只剩约 36%。真实错误还会相关并改变环境。
02 / AutoResearch × RSI
先问清楚：到底“谁”在改进“谁”？
一个现代 Agent 可以看成 Foundation Model + Scaffold。RSI 的争论常常来自更新对象没有说清。
θFoundation modelweights · data · training
+
SOperational scaffoldprompt · memory · tools · control
=
AAgentacts · observes · updates
L0
重试 / 反思
只改变当前轨迹或临时 context。
L1
积累经验
持久更新 memory、skills 或 prompt。
L2
改写 Agent
更新 tools、workflow 或 agent code。
L3
自动化 AI R&D
改变训练代码、数据、模型或算法。
L4
改进“改进器”
模型、scaffold 与更新算法共同演化。
RResearch agent
→
SResearch process
→
MResearch object
Karpathy AutoResearch：R 基本固定、S 由 program.md 固定，主要修改训练代码与目标模型 M。它是优秀的可验证研究闭环，但不是研究 Agent 自身的 RSI。
2023 · TMLR
STOP
Improver program 改写自身，但基础 LM 不变。证明 scaffold recursion 可行，不是完整 RSI。
Paper ↗2025 · arXiv
Darwin Gödel Machine
开放式 archive 保存 Agent 谱系，经验验证 scaffold 改动；SWE-bench 20 → 50。
Paper ↗2025 · DeepMind
AlphaEvolve
LLM 生成算法、自动 evaluator 筛选并进化。更准确的定位是 evaluator-driven discovery。
Project ↗2026 · Nature
The AI Scientist
贯穿 idea → code → experiment → paper → review；完整生命周期自动化，但 scaffold 主要由人设计。
Paper ↗One-slide case · 60 sec
Qiushi Engine · 2026
求是引擎只回答一个问题：
科研闭环如何进入真实物理环境？4Core agents
5Support agents
METAStructured trace
REALOptical platform
它能说明
- 长轨迹需要角色隔离与结构化交接
- 代码、测量、证据审查可以串成闭环
- 物理反馈比纯 LLM judge 更接近 verifier
它不能说明
- 调用量和 token 数不等于科研质量
- 科学 novelty 仍主要是作者主张
- 单团队、单平台，缺独立复现与充分 ablation
03 / Embodied ecosystem
机器人把相同的闭环变成了物理问题
“长程动作生成”不只是输出更长的 action sequence，而是让多个时间尺度在不断变化的环境中保持一致。
01User goal语义 / 完成条件
→
02Task plan子目标 / 依赖
→
03Skill / VLAaction chunk
→
04Controller连续控制
→
05World物理反馈
↶
Classical
TAMP + Skills
符号和几何约束清晰；开放感知、技能覆盖与建模成本高。
2022 →
LLM Planner
SayCan、Inner Monologue：语义组合交给 LLM，物理可行性由技能支撑。
2023 →
End-to-end VLA
ACT、Diffusion Policy、RT-2、OpenVLA、π0：规模化视觉语言动作学习。
2025 → NOW
Hybrid Agentic Robot
高层慢推理 + 低层快控制，再加入世界模型、记忆、RL 与恢复。
Action generation：没有一种表示覆盖所有时间尺度
表示代表强项长程代价
Single-stepBC / control反应及时逐步误差累积
Action chunkACT稳定、适合示范反应性与长度权衡
Diffusion / flowDP / π0平滑、多模态推理成本、chunk 接缝
Discrete tokensRT-2 / FAST复用 LLM 训练栈量化精度、延迟
Skill / subgoalSayCan / TAMP可解释、可组合技能覆盖、完成检测
04 / Benchmarks & SOTA
没有一个“统一 SOTA”
每个 benchmark 只覆盖长程问题的一部分。点击筛选，查看它们真正测什么。
CALVIN
5-task chain固定桌面、连续控制。历史标准，但场景固定且已被大量调参。
Project ↗LIBERO
130 tasksVLA 最常用；LIBERO-Long 测多步任务，但接近饱和并存在捷径与方差。
Project ↗RoboCasa365
365 tasks · 2,500 scenes重点检查 unseen composition、lifelong 阶段与厨房任务多样性。
Project ↗VLABench
40 composite tasks世界知识、隐式指令、长程推理，并拆分 VLM 规划和 VLA 执行。
Project ↗BEHAVIOR-1K
1,000 activities人类需求驱动的家庭活动，强调 mobile manipulation 与状态变化。
Project ↗RoboTwin 2.0
50 tasks · 5 robots双臂、多 embodiment、强随机化与自动数据生成。
Project ↗FurnitureBench
≈ 230 sec / 2,300 steps真实家具组装，少数可复现实机长程 benchmark 之一。
Project ↗HomeRobot OVMM
Navigate → grasp → place开放词汇物体的系统级 mobile manipulation，早期 real baseline 很低。
Paper ↗The gap that matters
80.2 → 32.1
RoboCasa365 官方榜单领先结果：Atomic-Seen 80.2%，Composite-Unseen 32.1%。规模化动作基础明显进步，但组合泛化仍断层。
Official leaderboard · 2026-08-21 ↗Atomic · Seen80.2
Composite · Seen57.1
Composite · Unseen32.1
Success rate (%) · different task regimes, same official leaderboard
Benchmark audit
2026 年审计指出 shortcut solvability、统计不显著、creeping overfitting 和 data-source dependence；只有 19.8% 的 LIBERO “SOTA” claim 可证明统计显著。
Read the audit ↗05 / Frontier 2025–2026
三条路线正在汇合
Route A
快慢双系统
高层 VLM/Agent 做语义分解、交互和恢复；低层 VLA 做连续动作。
- Hi Robot · ICML 2025
- Gemini Robotics 1.5
谁判断 subtask 完成？失败如何上报？
Route B
世界模型
生成候选未来、预测 value，或同时预测 future frame 与 action。
- Reflective Planning · CoRL 2025
- Cosmos Policy · ICLR 2026
- LingBot-VA · RSS 2026
逼真未来是否等于正确反事实？
Route C
记忆与经验学习
短期历史 + 长期事件记忆；从 rollout、纠正和 outcome 中继续训练。
- π0.6-MEM
- π*0.6 / RECAP
- Xiaomi-Robotics-1
错误记忆和奖励投机如何控制？
System-2 planner+Foundation VLA+Predictive model+Memory+Outcome learning
Verifier
系统是否知道做到了、失败了，还是只看起来像在进展？
Recovery
成功示范很多；off-nominal state、撤销、重抓和求助数据很少。
Compositional state
Skill A 的 exit state 是否真正满足 Skill B 的 entry condition？
下一步不只是scale action prediction
而是 scale closed-loop evidence.
06 / Talk blueprint
20 分钟 · 14 页
AutoResearch/RSI 约 4.5 分钟；求是 1 页；具身部分约 12.5 分钟。
07 / Reading list
主讲精读
01Self-Improvements in Modern Agentic SystemsSurvey · 2026
02Darwin Gödel MachineAgent scaffold RSI · 2025
03Towards End-to-End Automation of AI ResearchNature · 2026
04Do As I Can, Not As I Say / SayCanLLM planner × affordance · 2022
05Learning Fine-Grained Bimanual Manipulation with ACTRSS · 2023
06Hi RobotICML · 2025
07RoboCasa365ICLR · 2026
08Benchmarking Robot Manipulation PoliciesAudit · 2026
09Reflective PlanningCoRL · 2025
10Cosmos PolicyICLR · 2026
问答备用文献与项目
STOP、Gödel Agent、AlphaEvolve、Karpathy AutoResearch、Qiushi Engine、OpenVLA、Octo、π0 / FAST、PRoC3S、SPIRE、LingBot-VA、π0.6-MEM、π*0.6、VLABench、BEHAVIOR-1K、RoboTwin 2.0、FurnitureBench。