TARSphere：面向长周期具身智能体的全栈框架

01 摘要

TARSphere 是一个面向机器人长周期具身智能体的全栈框架，在物理模拟器中运行策略并集成具身 NPC 与受限对话。其事件驱动有限状态机根据已完成动作和传递信息更新任务状态，而具身大脑 harness 让冻结的 MLLM 通过多级可执行技能行动，并利用观察、分层记忆和执行反馈修正决策。作者基于此构建 TARSphere-Bench，包含 30 个室内场景的 360 个片段，用五组配对条件评估感知鲁棒性、干扰适应、任务更新、人类协作和意图理解；对 8 个 MLLM 的评估显示通用模型可优于具身模型，任务更新和人类交互仍具挑战，频繁碰撞和跌倒表明需在任务成功之外评估执行安全。

02 关键点

1. TARSphere 框架在物理模拟器中运行机器人策略，并集成具身 NPC 与受限对话，以支持物理和社会约束下的长周期任务。
2. 事件驱动有限状态机利用已完成动作和传递信息更新任务状态；具身大脑 harness 让冻结的 MLLM 通过多级可执行技能行动，并借助观察、分层记忆和执行反馈修正决策。
3. TARSphere-Bench 包含 30 个室内场景的 360 个片段，通过五组配对条件评估感知鲁棒性、干扰适应、任务更新、人类协作和意图理解；对 8 个 MLLM 的评估显示通用模型可优于具身模型，任务更新和人类交互仍具挑战，频繁碰撞和跌倒表明需在任务成功之外评估执行安全。