大晓ACE-CaP-0：机器人自主学技能，成功率92.1%

机器人碰上没做过的新任务，难的不只是“怎么做”，还包括“找谁学、怎么验证”。

通用模型如今能理解任务、做视觉推理，也能自主探索，并依据执行反馈调整策略。可放到真实操作里，每一步都得观察、推理、决策，摸索一项新任务花上数小时并不稀奇。模型写出了控制代码，机器人也未必就能操作成功：抓握角度偏了、对齐位置不准、接触方式不对，都可能让动作失败。

大晓机器人公布了一项研究——ACE-CaP-0，思路是让 AI 在开发技能时主动去获取经验，自主开发、验证并优化机器人技能。它的重点不在让模型写代码，而是让智能体根据任务难点判断：什么时候需要人类示范，什么时候该做仿真实验，再结合真机反馈不断改进策略。

Report：https://acerobotics2025.github.io/ACE-CaP/static/ACE-CaP-0.pdf

Project：https://acerobotics2025.github.io/ACE-CaP/

示范和仿真都按需触发，经验获取跟着任务难点走。

ACE-CaP-0把按需示范（Demonstrations on Request）结合了进来。机器人不知道怎么操作时，智能体能主动请人示范；要是已有初步方案，但对动作轨迹、接近角度或执行顺序没把握，就通过仿真实验比较候选策略。

示范给出的经验也不只是“看到结果”。团队对比了文字指导、人类操作视频和机器人示范几种形式；机器人示范还能记录机械臂运动轨迹、

仿真让智能体围绕具体问题挑选任务阶段、初始状态和候选程序，比较不同修改方案的效果。真实交互提供物理依据，仿真实验拓展探索空间，两边互补，机器人获取经验、改进技能就更有针对性。

真机反馈不只用来验收，它还是下一轮改进的依据。

ACE-CaP-0靠“编写程序—执行测试—分析反馈—修改代码”这一循环来优化操作方法。机器人真实执行之后，智能体据此发现问题、修订策略；程序通过验证，任务逻辑、几何计算、动作顺序和控制参数就沉淀为可复用的

这样一来，高成本的智能探索和高频的机器人执行分了工：模型负责开发技能，机器人复用已经验证过的做法，不用每次都重新观察、推理、生成动作。任务逻辑与底层控制也能分开优化，执行效率随之提升。

八项真实任务评测下来，整体成功率达到92.1%。

评测覆盖八项机器人精细操作任务：插充电器、面包装箱、开瓶盖、杯子套叠、插花、鸡肉装盘、包裹翻转和鞋子装盒。

插充电器这项任务也体现了从技能探索到技能执行的效率变化：通用模型尝试不同插入方式，结合碰撞检测与受力分析调整策略，连同模型思考大约要1小时；ACE-CaP-0把有效方法提炼成可复用 Skill 后，机器人执行大约只要1分钟。这里的小时级对应策略探索，分钟级对应技能沉淀后的任务执行。

从主动获取经验到沉淀可复用技能，ACE-CaP-0延伸了大晓的

这项研究与大晓机器人在酒店服务场景中展示的“通用模型＋

ACE-CaP-0则进一步聚焦经验获取与

让一次交互成为下一次执行的起点，是这项研究想推进的方向。ACE-CaP-0通过按需示范、按需仿真和真机反馈，试着把有效经验变成可复用、可进化的机器人技能，也给通用模型的具身能力进入真实场景提供了一条新的实现路径。

数据支持天眼查，大模型独家合作账号