Auriga 技术报告：用于零样本具身操作的任务无关智能体框架

视觉语言模型能够理解指令并规划操作任务，但在直接充当机器人策略时仍面临困难。在 RoboDojo 上，高层任务决策与物理执行之间存在巨大的规划—执行差距：移除机械臂执行环节后，GPT-6 Astra 的成功率从使用参考控制接口时的 22.5% 提升至 76.2%。我们提出 Auriga，这是一种任务无关的智能体框架，无需针对目标任务进行试验或重置，即可在零样本操作中弥合这一差距的 68.3%。在 Auriga 中，模型基于显式的任务信念状态做出所有任务决策，并通过直接调用工具或合成多步骤 Python 程序来执行动作；框架则提供经过校准的三维测量、以手指为参考的双臂控制，以及通往机器人的统一准入网关。在运动开始前，模型会在仿真暂停时检查可视化轨迹预览；在执行过程中，框架会检查预先声明的阶段容差和抓取边界，在出现偏差时停止机器人，并返回测得的偏差，以便就地恢复。Auriga 经过 13 轮跨任务能力迭代开发，并在评估时冻结，以 57.7% 的成功率（64.0 分）位居 RoboDojo 排行榜第一，在使用相同模型的情况下，成功率达到参考框架的两倍以上；在场景随机化条件下仍保持第一，而学习型策略的表现降幅最高达 33.9%。在 RoboCasa365 上，同一个冻结框架达到 73.2% 的成功率，在复合任务上比 VLA 辅助智能体最高高出 23.1%。项目主页：https://auriga.stelledge.com/ 代码：https://github.com/lose4578/Auriga