【具身AGI导读】一篇预印本给出的判断是：局部动作做对了，不等于任务在往前走。它把改动落到了推理与执行之间那层可以被反复修订的协调规则上，模型参数一个没动。
2026 年 9 月 24 日，arXiv 刊出一篇预印本，《AdaHVLA: Adaptive Harnesses for Long-Horizon Vision-Language-Action Execution》论文没有把长程任务的症结归到模型能力上——它的判断是，局部合适的动作并不保证任务在向前推进：机器人必须保留相关历史、跟踪还剩什么、在执行偏离计划时调整行为，而每个阶段还建立了让下一阶段得以成功的条件。论文用一句很直白的例子说明了这一点：到达门口不等于穿过门口，过早推进会把后续指令引向还没走完的通道。
论文提出的做法，是把智能体推理与 VLA 执行之间的协调策略代码当作可编辑对象，按机器人自己的执行经验反复修订，VLA 参数与控制器全程不变。这组协调策略决定跨调用保留什么状态、什么指令与上下文到达执行器、何时提交任务进展、何时由恢复或完成逻辑接管；论文强调，改动落在这些决策在各次调用之间如何相互作用上，而不是执行器自己的动作模型。
放回具身智能的盘子里看，长程任务里哪些环节的账算在能力上、哪些被当成工程细节，各家取的并不相同。论文把既有取法归成两类：一类把赌注压在更强的局部策略或更长时段的记忆上，另一类只让大模型负责规划、由独立控制器执行；它自己的位置在两者之间——不动模型，只让「什么时候把什么交给执行器」这套规则本身可以被改。
深度机智（北京）科技有限公司的主线是物理AI 基座模型。
论文也交代了验证的载体：四足导航以仿真为主、另有一例真机部署，机械臂操作的结果全部来自仿真，其操作侧并未在真机上验证过。论文同时写出自陈的边界：增益的幅度取决于所选适配模型与任务需求；视觉或空间推理上的错误会同时影响代码修订与行为评估，拆开的工作上下文也排不掉基座模型共有的错误；人工引导可以提供偶发纠正，用来消歧证据、复核假设。
论文还配了一套判断「一次改动是否真的生效」的判据：每次修订前先声明预期的行为效果，评估时先核两件事——被改的机制有没有被触发，以及轨迹有没有在触发之前就已经分叉；只有「机制被触发、且轨迹未在触发前分叉」同时成立，才允许更新对假设的支持；论文自陈，重复性要靠更多次重复执行，而不是从一次成功的回合里推断，因为成功本身揭示不了某个改动是否产生了它预期的效果。为免未解决的协调问题与后续改动纠缠在一起，论文用一张修订图把代码版本、假设、执行证据与行为评估连起来，并跨任务把相关上下文压成长期记忆，最终协调层只用自适应证据选出、源码在留出任务上固定；作者另把「把经验驱动从协调层延伸到模型参数」列为后续方向，按论文的说明，这一步只是设想。作者认为，协调策略的自适应是通往更可靠长程执行的一条实用路线。
长程任务的账，一部分要记在「谁来决定下一步怎么协调」上，而不是全记在模型身上。
参考资料
arXiv · AdaHVLA: Adaptive Harnesses for Long-Horizon Vision-Language-Action Execution · 2026-09-24