罗西的思考 / wechat· 罗西的思考·发布时间：
图文机器人／物理 AI 智能体 Harness 综合分析与对比：从「更强的模型」到「更好的系统」
机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」
内容导读
作者比较五个机器人、手机与通用 AI 智能体项目，认为可靠性提升还要靠 Harness，即模型外围的控制与编排层。共通方法是分开决策与执行、把动作封装成可组合技能、将经验外置复用；例如 RPent 让大语言模型规划，冻结的视觉-语言-动作模型只负责接触操作。对比同时提醒：评估基准不等于可部署工具，优化收益需匹配预算验证，模拟器结果也不能直接代表真机表现。
继续看关键要点
- 据文中介绍，MemoHarness 的自适应有前提：先在有参考答案的开发集上搜索控制配置并积累经验，测试时才通过检索生成逐用例配置，无需标签、反馈或额外搜索。
- 作者指出，HumanCLAW 为隔离决策错误而排除了部分低级控制挑战，交互动作也仅有坐下；缺少本体感知输入，使“身体意识不足”仍可能有信息不足这一解释。
- RoboClaw 的自动复位依赖操作可逆：拧瓶盖可适用，撕包装、加热和切割不能直接套用。作者还指出，其开源实现尚未完整实现论文中的自动复位机制。
- 作者提醒，X-OmniClaw 虽定位为边缘原生 Android 智能体，照片摘要与规划仍依赖云端；复杂任务的多次模型调用，以及照片上云，分别构成延迟、成本和隐私方面的部署约束。
来源：罗西的思考 / wechat · mp.weixin.qq.com