一句话看懂：arXiv 上新论文提出 EvolvingBrain，用分层技能系统替代传统监督微调和结果强化学习，让多模态智能体在开放世界中通过经验积累自我进化，并在 VAB-Minecraft 与 DiscoveryWorld 任务上报告了成功率提升。
事件核心：发生了什么
2026 年 10 月 16 日，arXiv cs.AI 收录了一篇新论文，提出名为 EvolvingBrain 的自适应技能系统，用于多模态智能体在开放世界中的自我进化。论文指出，现有方法存在两个短板：监督微调只能让智能体模仿，无法主动组织经验；基于结果的强化学习虽然鼓励探索，却浪费了中间轨迹信息。
EvolvingBrain 的设计分为两部分。一是分层技能自进化，从模型自身的交互轨迹中提取过程模式和问题模式，生成技能并经过多轮开放世界交互，形成由领域、规划、动作/陷阱技能组成的分层技能架构。二是状态感知自适应执行，把长程交互压缩成结构化摘要记忆，再据此指导状态感知技能融合策略，让智能体按当前状态调用知识。论文在 VAB-Minecraft 和 DiscoveryWorld 两个任务上做了实验，报告称开放世界任务成功率提升，并展现出泛化能力。
为什么重要
目前公开信息显示，这篇论文尝试解决的是智能体落地的一个核心瓶颈：如何在开放环境中持续积累经验，而不是每换一个任务就重新训练。如果分层技能架构可行，它可能降低对大规模标注数据和昂贵强化学习训练的依赖，让智能体在游戏、虚拟环境、机器人仿真等场景中更快适应新任务。对 AI 行业来说，这属于“经验组织”路线的探索，与当前主流的大模型推理、工具调用和强化学习路线形成互补。
对用户/开发者/创作者的影响
对开发者而言，最直接的想象空间是把类似技能系统接入现有智能体框架，用交互轨迹自动生成可复用的“技能库”，减少手工提示词和规则编写。对内容创作者和游戏从业者，开放世界智能体如果真能稳定自我进化，可能影响 NPC 行为设计、自动化测试和交互式内容生成。不过需要明确：论文摘要只是研究阶段的描述，代码将在补充材料中提供并计划在 camera-ready 版本公开，目前还不能当作可直接调用的 API 或产品能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，代码是否按承诺开源，以及技能架构能否在真实项目中复现。第二，VAB-Minecraft 和 DiscoveryWorld 上的提升能否扩展到更复杂、更接近生产的开放世界任务。第三，这套思路会不会被现有智能体框架或大模型厂商跟进，形成新的训练和推理范式。
来源：arXiv cs.AI
