EinsiaAI выпустила EmbodiedEvo: самоэволюционирующий агент возглавил Robodojo

EinsiaAI представила EmbodiedEvo, Coding Agent, который не только пишет программы для управления роботом, но и сам эволюционирует по результатам собственных попыток. По сообщению Jiqizhixin, система заняла первое место в бенчмарке Robodojo, который китайская пресса называет «Эверестом» воплощённого интеллекта. Подробные цифры в доступном фрагменте публикации не приводятся, поэтому оценивать масштаб отрыва пока рано.

Агент, который пишет код для тела

Исходная логика проста. Coding Agent получает от робота интерфейс: может смотреть на сцену, вызывать примитивы управления, запускать собственные программы и читать результат. Дальше цикл знакомый всем, кто работал с агентами для разработки: написал, запустил, посмотрел на ошибку, переписал.

В публикации отмечается важное наблюдение. Даже без дообучения под конкретную задачу frontier-агенты в zero-shot режиме показывают успешность на уровне VLA и WAM-систем, которые тренировали на похожих сценах. Это сильное заявление. Специализированные модели действий требуют данных телеуправления, симуляций и отдельного обучения под каждую платформу. Универсальная языковая модель с доступом к API обходится без этого.

Но у подхода есть потолок. Zero-shot, как сказано в тексте, лишь начало пути: агент каждый раз решает задачу заново, не накапливая опыт.

Что добавляет самоэволюция

Здесь и появляется EmbodiedEvo. Название и позиционирование указывают на механизм, при котором агент улучшает собственные стратегии, навыки или рабочий код между итерациями, а не только внутри одного эпизода. Как именно это устроено, источник в доступной части не раскрывает: неизвестно, что именно эволюционирует (промпты, библиотека навыков, сам код), и какой вычислительный бюджет нужен на цикл.

Известные на сегодня факты:

• разработчик: EinsiaAI, релиз зафиксирован 15 октября 2026 года;
• тип системы: самоэволюционирующий Coding Agent для воплощённого ИИ;
• результат: первое место в Robodojo;
• базовое сравнение: zero-shot frontier-агентов на уровне VLA и WAM, обученных на близких сценах;
• не раскрыто: абсолютные проценты успеха, число задач, отрыв от второго места, используемая базовая модель и стоимость запуска.

Как читать этот результат

Для инженеров по робототехнике главный вывод в смене архитектурного вопроса. Раньше выбор стоял между сквозной нейросетью, которая выдаёт действия, и классическим пайплайном с планировщиком. Агент, пишущий код, даёт третий вариант: программа остаётся читаемой, её можно отлаживать, версионировать и проверять тестами. Для промышленных сценариев, где нужна объяснимость, это существенное преимущество.

Практические вопросы, которые стоит задать до того, как переносить подход в продукт:

• как результат на Robodojo соотносится с реальным железом, а не только с симуляцией;
• сколько попыток и токенов нужно агенту, чтобы выйти на заявленный уровень;
• насколько безопасно запускать самостоятельно написанный код на физическом манипуляторе без жёсткого слоя ограничений;
• переносятся ли накопленные навыки между разными роботами.

Пока EinsiaAI не опубликует технический отчёт и воспроизводимые метрики, EmbodiedEvo стоит воспринимать как заметный сигнал о направлении, а не как закрытый вопрос. Но сам сигнал ясен: рядом с VLA-моделями формируется конкурирующая линия, где роботом управляет не сеть, а программист-агент, который учится на собственных ошибках.