LEXP：固定权重下用物理经验提升操作成功率

Yihan Zeng 等作者提出 LEXP 框架，通过上下文空间适应把执行证据转化为带适用条件的经验，在后续动作中复用，模型权重与动作接口全程保持固定。作者称在真实世界实验中发现通用推理模型 ChatGPT-6-Astra 可作为可执行的上下文响应式操作策略。 在 12 项真实操作任务中，LEXP 取得 23/36 次成功（63.9%），仅用记忆为 19/36（52.8%），原始 Astra 为 2/36（5.6%）。在面包转移、垃圾分类与洗漱用品整理、取抽屉三项任务上，去掉任务级规划使成功率从 7/9 降至 4/9，去掉保留经验则降至 3/9。 上述结果来自作者自述的真实世界实验，属预印本，未经同行评议或独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。