这届是第二届挑战赛，平台用的是斯坦福大学李飞飞团队开发的 BEHAVIOR-1K 基准，并与机器人领域顶级会议 CoRL 2026 联动，会期定在 11 月 9 日至 12 日。赛题围绕整理、清洁这些真实家庭需求展开，评测的是机器人高层推理、跨房间导航和双臂精细操作的综合能力。

李飞飞本人在社交媒体发帖，说机器人学习正取得令人瞩目的进展，并邀请更多研究者关注 CoRL 2026 的 BEHAVIOR Challenge。

和去年比，2026 年挑战赛在多个维度明显上了一个台阶。基准规模扩大 2 倍：任务从 50 项增至 100 项，场景从 3 个增至 7 个。参与度提升 3 倍：参赛者从 96 人增至 265 人，参赛提交从 18 份增至 57 份。最佳完整任务成功率也从 12% 提升至 48%，是上一届的 4 倍。

短时抓取和单一技能评测之外，这项挑战要求机器人靠机载视觉、深度及本体感知信息，在数分钟级长时序任务中连续完成多物体交互、状态变化处理与多技能协同。任务规划、感知与动作协同、执行稳定性，都被提出了严苛要求。

12 个任务成功 rollout。

面对这种长时序、多技能配合的复杂局面，眼下业界主流做法还是沿用 AI 领域最熟悉的那套 Scaling 思路——模型做得更大、数据喂得更多、算力砸得更狠。

AI 其实还有一条能力增长的路径：把知识、规则、操作流程攒起来，让系统学会推理、组合和执行的方法。早年的符号 AI 在这条路上摸索了很久，机器人领域同样攒下了不少感知、规划和控制方面的工具。

大模型如今已经会写程序、会用工具，还能根据执行结果回头改方案。那这两条路径之间，是不是冒出了新的接点？

在冠军方案的技术报告《Scaling by Structure: What Forms Can Scaling Take in Embodied AI?》里，团队把 Scaling 的问题提得更宽：具身智能能不能靠搭建并改进结构化、可执行的知识与技能，让能力持续往外扩？

这条路子把可执行程序，连同它背后的工具、约束和经验，当成能力积累的载体。编程智能体负责搭、验、改这些结构，机器人靠它们干活，跑出来的轨迹又反过来喂给视觉 — 语言 — 动作模型（VLA）做训练。

“系统到底掌握了多少可执行技能”，也因此成了衡量具身智能能力增长的一个维度。

经典机器人方法，

怎么长成可扩展的知识体系？

机器人领域手上已经有不少好用的方法。几何推理管空间关系和碰撞，SLAM 负责定位与建图，任务与运动规划把逻辑决策和动作可行性接起来，反馈控制则不停修正执行中的误差。

不过这些方法各有各的适用条件。换任务、换环境，就得重新组织信息流、对接模块接口、安排操作顺序，还得照着物体的几何形状和场景约束调策略。场景一变，原来的流程可能就得换抓取方式、换动作顺序，或者补上恢复机制。

任务一多，结构化机器人系统的短板就露出来了——人工构建和维护方案的成本跟着任务量一起往上涨。这成了系统扩展能力时绕不开的瓶颈。

编程智能体恰好能接手其中一部分活：读执行日志、看视频、找失败点、改工具和程序，再跑一遍验证。管用的改动留作后续任务可调用、可调整的知识。泛化因此也多了一层意思——系统能拿现成的工具和经验，给新任务搭出、调出解决方案。

这种能力能扩多远，一看覆盖了多少任务，二看每多一项任务要搭进去多少工程和交互成本。报告用实验把这两头都测了。

HiPhys-RSI：把交互经验变成可执行结构

团队给出的方案叫 Hierarchical Physical Recursive Self-Improvemen (HiPhys-RSI)，分层物理递归自我改进框架。底座是参数冻结的编程智能体加视觉语言模型（VLM），在训练实例里搭建并打磨可自主执行的机器人流水线。

图 1 展示的是 HiPhys-RSI 的整体架构：智能体在任务体验、程序构建、执行分析、迭代改进这几个环节里积攒可执行知识，到了推理阶段，则按任务条件去挑现成的流水线或者 VLA 策略。（报告图 1）

第一步，智能体读任务说明和参考示范，借工具调用攒交互经验：哪些动作管用、步骤之间谁依赖谁、什么观测能说明任务在往前走。接着把这些经验编成程序——感知输出怎么参与规划、控制器什么时候动手、失败之后怎么收场，都用明确的信息流和条件逻辑串起来。流水线搭好后，能靠自身的检查和分支逻辑自主跑。

跑完的结果进入下一轮分析。日志交代程序调了什么，视频则说明物理世界实际发生了什么：轨迹跑完了，物体真挪到位了吗？抓取指令返回成功，物体还留在桌上吗？智能体拿这些证据定位该改的模块和策略。

改动可大可小：往上是工具选择、步骤编排和恢复逻辑，往下能钻进底层工具的实现。构建阶段还允许人工纠正介入，给复杂问题指路。验证通过的程序和经验会被留下，之后的任务可以拿来当可复用组件。

同一案例还保留了真实迭代记录：失败现象是什么、改了哪些内容、再次执行结果如何，人工参与的环节也一并注明。

整个过程中，编程智能体和VLM的参数都没有更新，改进全部落在可执行程序和结构化知识里。系统最终靠能力卡记录各条流水线、VLA的适用条件、历史表现和已知困难，推理时据此挑选合适的执行组件。工具用起来，流程跑起来，流程再变得可复用、可组合，结构化知识就这样一层层攒了下来。

100项家庭任务，两种能力增长方式的对比

团队把这条路径放到BEHAVIOR-1K的复杂家庭仿真环境里检验。评测涵盖100项任务、八类能力，包括移动取物、摆放与分类、精细操作、工具使用、倾倒、设备操作以及物体加工。这些任务要求感知、决策、动作持续配合：找到目标能不能靠近，抓稳物体能不能搬运，做完一步能不能接上下一步，任何一环都左右最终结果。

比较的基准是2025年BEHAVIOR Challenge冠军方案，团队在其上适配出三组VLA设置。第一组在全部100项任务的示范数据上联合训练一个epoch（Meta-1-Epoch）；第二组从该检查点出发做逐任务后训练（Per-Task Post-Training）；第三组在相同的全任务示范数据上联合训练两个epoch（Meta-2-Epochs）。一个epoch即完整遍历一轮训练数据。

逐任务后训练的做法的确有点不一样：基准示范与程序生成的轨迹混在一起，每项任务单独训练策略，还加入了深度、相对机器人位置的几何信息等三维输入。效果因此同时牵扯任务适配、数据补充与表征变化三件事。这三组VLA既是单独执行任务的对照，也是最终系统推理时可以挑用的策略。

图2｜三组VLA与HiPhys-RSI在100项任务上的表现对比。每根径向柱对应一项任务的得分；A–H依次为移动取物、一般摆放、匹配放置、精细操作、工具使用、倾倒、设备操作和物体加工。（技术报告图2）

报告中的实验显示，HiPhys-RSI最终混合系统在几乎所有任务上的得分都高于所比较的VLA方案，八类任务全部在优势范围内。

三组VLA设置之间的差别，反映的是训练方式起的作用。就当前配置看，全任务联合训练多加一个epoch带来的提升比较有限；逐任务后训练拉高了部分任务的表现，可各类别的能力强弱分布大体没变。这些结论只对应本次实验条件下的表现。

这类任务要求，结构化系统靠显式分工来应付：感知与建图模块给出场景信息，程序负责组织任务逻辑与约束，动作则交给专门的规划与控制方法完成。编程智能体依据反馈去调整这些部分怎么组合、怎么实现，让已有的机器人知识能适配更多任务条件。

实验把Scaling的讨论拉到了整个系统层面：训练怎样增强策略能力，结构又怎样把已有能力组织起来并加以扩展。

结构怎么Scale：从能力组合到策略发现

比最终得分更关键的一个问题是：结构化知识的增长过程究竟长什么样？

图 3 展示的是流水线怎么一步步改进。左边那张看整体任务得分随迭代怎么变，中间给出每项任务要迭代多少回，右边则是各类技能在流水线里被用到的频次。（报告图 3）

报告给出的曲线分三段走：先快速抬升，接着进入平台期，之后靠持续探索又拿到一些增益。

前期的增长主要靠能力组合。不少问题只要修正工具配置、执行顺序和模块协同就能解决。把本来就有的能力有效组织起来，系统就能覆盖大量任务。

这类问题逐步清掉之后，剩下的任务就得靠更深的策略探索。继续调原有方案的参数，收益可能已经不大；新的进展开始取决于不一样的接触方式、准备动作和操作顺序。后期有一部分增益，来自发现了参考示范里没出现过、但更稳的操作办法。

Task 38，优先给出原策略与改进策略的真实对照，把接触方式、准备动作和操作顺序上的变化突出来。

所以平台期可能意味着改进方式换了挡：从把已有能力接好，转向探索新解法。

这样一来，结构化Scaling既涉及通用能力的复用，也涉及特殊瓶颈的突破。要覆盖更多困难任务，投入可能比任务数量的增长还快，改进预算怎么分配也就成了要紧问题。

结构能不能搬得动？继续改进又会卡在哪？

隐藏评测专门看程序能不能在开发阶段没见过的新实例上跑通。多数任务的 Q-score 出现下滑，不过大部分跌幅不到 0.2；也有任务表现基本持平，甚至拿到更高分，说明跨实例迁移有一定底子。这一轮考察的，是已知任务换一套初始条件后的发挥。

图 4｜隐藏评测与此前报告的 Q-score 之差（Qhidden − Qreported）。每根柱对应一项任务；正值表示隐藏评测得分更高，负值表示下降。（技术报告图 5）

掉得比较多的，集中在靠目标搜索吃饭的任务上。物体一开始摆在哪儿变了、被挡住、落在难够到的区域，都会把搜索和操作的成本抬上去。有些任务评分条件本来就少，甚至只给二元评分，一个条件没满足，分数就会大幅摆动；再加上每项任务只有 10 个测试实例，采样波动也跑不掉。

失败模式把继续改进的瓶颈摆了出来。VLA 基线的失败类型排序里，抓取和放置排在前面；HiPhys-RSI 排在前头的是抓取与超时，放置、关节物体操作、物体掉落则相对靠后。

图 5｜失败模式对比。柱内标注的数字，是该模式在各大方法中出现的频次排名。抓取这一环，依旧是各方法共同卡住的地方；超时和导航两类问题，在 HiPhys-RSI 里也比较集中。几个类别之间有交叉，同一次执行可能同时踩中不止一种失败模式。（技术报告图 6）

目标要是藏在看不见的地方，或者通道、操作空间太窄，反复搜索和规划就会一直吃掉执行预算。代码改进依旧受制于当前的感知能力、搜索策略、物理可达性和执行时间。结构的积累能解决不少协调与执行上的问题，但要想持续往上长，这些底层能力和与环境打交道的方式还得接着改。

新的操作策略，是怎么变成系统知识的？

具体案例把结构化知识里装了什么摊开了。智能体提方案，人再引导着改，系统就这样攒出了一些能适配不同任务的操作方式。

图 6｜程序构建与改进中积累的操作策略。上排是木头支撑的几何调整、喷壶预处理；中排为锅沿抓取、扫描仪操作与移动；下排包括借盒子支撑纸袋、从车斗前沿搬运独轮车。后文对评测漏洞的分析，也用到了木头任务。（技术报告图 7）

锅柄不好接近时，机器人改为抓住近侧锅沿，让锅体保持水平，再搬到炉灶上。独轮车把手被挡住时，它从车轮一侧靠近，用双手抓住前部车斗边缘把车搬走。

喷壶直立着不好抓、也不好启动，系统就先调整它的姿态，再从更顺手的方向操作。外卖打包环节，机器人先把空纸袋立进盒子里，再放汉堡，借环境支撑把难度降下来。扫描仪则可以先在桌面上启动，之后看位置条件决定是推着走还是抓起来搬。

Task 81 与 Task 92，呈现的是准备动作、操作顺序和最终效果。

这些经验里，有接触点的挑选、物体状态的调整、环境支撑的借用，也有动作先后的安排。写进程序之后，它们在自主执行时还能再用一次。

策略一放宽，任务评分里的缺口也跟着露出来。堆木头任务中，系统把木头凑成各自独立的配对，接触条件满足了，预期的木堆却没搭起来，属于比较典型的评测漏洞利用。还有个案例是在冰箱里直接切食物：拿到部分分数，后面的转移目标没完成，这种行为既可能是有效的中间步骤，也可能就停在捡容易分那一步。

图 7｜策略探索暴露出的评测问题。左边是用独立木头配对满足接触条件；右边是在冰箱内切食物拿到部分分数，但后续目标未完成。（技术报告图 8）

这些观察也让人重新想评测这件事：成功条件得准确表达任务意图，同时给合法替代方案留出空间。系统能不能自己判断阶段进展和任务是否完成，判断得准不准、延迟多大，也应当作为一项独立能力来评。

把结构化经验和模型训练接上

程序改进攒下的经验，还能顺着执行轨迹走进模型训练。

团队把流水线生成的观察—动作序列和基准示范混在一起，做逐任务的 VLA 后训练。程序探索中形成的操作方式与协调经验，就这样成了学习策略能用的数据；训练出来的策略再和已有流水线一道，参与推理时的选择。

结构与策略还能继续一起往前推：策略变强，后面搭建系统时可调用的能力就更多；流水线持续打磨，又能不断产出训练经验。这个双向过程，报告认为仍值得往下深挖。

模型训练把经验压进参数里，程序构建则把经验变成可执行的知识。编程智能体在中间把两头接起来，机器人领域攒下的工具和方法，就能靠自动化构建、验证和复用，去支撑更多任务。这份技术报告由此追问：具身智能的能力增长，究竟能有多少种发生形式？

Scaling by Structure 盯的就是这条线：不断沉淀、改进结构化且可执行的知识，把整个具身系统的能力往上抬。

核心相关技术

相关链接

• 项目主页：https://behavior1k-champion.com/

• 技术报告：https://behavior1k-champion.com/assets/HiPhys-RSI_tech_report.pdf

• 官方排行榜：https://huggingface.co/spaces/behavior-1k/2026-challenge-leaderboard

• 挑战赛介绍：https://behavior.stanford.edu/challenge/index.html

• 评测指标与规则：https://behavior.stanford.edu/challenge/evaluation.html