10/25 成功
GPT-6 Astra＋固定技能。平均分 47.5 / 100，全程不调用 VLA。
ZIWU AIEmbodied Intelligence MeasurementTASKGRAPH · EVALUATION, DIAGNOSIS & RECOVERY每一次机器人运行
每一次机器人运行
都落到同一张任务图上
无论动作来自 VLA 策略（Simate-beta、π0 系列、Xiaomi-Robotics），来自大模型规划器（目前为 GPT-6 Astra，可替换），还是由 GPT-6 Astra 调度 Simate，ZIWU 都把运行整理成任务图：任务目标、运行状态、失败位置与视频和原生结果对齐，用来比较控制方式，并筛出“出现故障、修正、重新取得进展”的恢复轨迹。
01 · 结果 · RoboRSI 5 任务 × 5 布局，双臂 ARX X5 仿真
三种控制方式，落在同一张任务图上
10/25 成功
GPT-6 Astra＋可选 Simate。平均分 56.1 / 100；10 次成功中 5 次没有实际调用 Simate。
5/25 成功
Simate（VLA）：Simate-beta 单独控制。平均分 21.6 / 100，不调用 GPT-6 Astra。
24/75 恢复
任务图自动筛出「故障 → 修正 → 重新取得进展」的回合 24 条，正在用人工盲标核对准确率与召回率。
02 · 任务图用于什么
从运行轨迹到可改进的证据
比较控制方式
同一任务、同一布局下，把 VLA、大模型规划器和大模型调度 VLA 的运行放进同一张图，比较成败、过程和失败位置，而不只看一个成功率。
发现过程退化
新版本仍然成功，却变慢、绕路、抖动或依赖更多修正；成功率无法单独反映这些过程变化。
筛出故障恢复轨迹
在任务图上找出“掉了、倒了、抓空、对不准”之后又修正并重新取得进展的片段，附故障、修正、恢复的步号，回到录像即可核对。
支撑自我改进
恢复片段和失败位置交给复盘模型，修改执行代码与配置（模型权重不变）；改动是否保留，由同布局、同预算的配对实验决定。
ZIWU 的两个产品
一个账号，两套工具
把每一次 AI 编程会话，变成可复用的技能
汇总所有电脑上的 Claude Code、Codex 会话；整理成工作流、规则和踩坑，生成关系图、流程图和技能，与团队共享。
npm install -g @ziwu-ai/ziwu-agent具身运行的任务图：评测、诊断与故障恢复筛选
上传任意控制方式的运行数据（VLA、大模型规划、两者结合）生成任务图，对照视频与原生结果回放，标出故障与恢复，并用人工标注检验筛选结果。
Overview从轨迹视频
从轨迹视频
到可检查的运行路径
Technical framework · Graph × Visualization
运行、任务图与评测指标
Connector 接入运行，Graph 记录任务与运行关系，Visualization 展示差异；结果可用于选型、门禁、数据采集和复测。
LIVE · 已有证据NEXT · 近期产品化VISION · 长期网络
图中将 Agent、机器人和世界模型运行统一为事件，并映射到语义任务图、任务地形和度量坐标；结果保留版本、视频、action 和原生输出来源。
- LIVE01 · Connector接入异构运行
Task / Robot / Policy / Episode
- LIVE02 · Graph记录指标、失败与证据
Metric / Failure / Evidence
- LIVE03 · Visualization展示工作流与回放
Workflow / Landscape / Replay
- NEXT04 · Decision将证据接入决策流程
Match / Gate / Route / Retest
- VISION05 · Physical Track扩展到真实测试网络
Test Cell → Robot Town
评测结果用于后续部署、训练和复测。
从视频回放到问题定位
Cohort comparison
将同任务的 101 条轨迹按可追溯行为分组，并区分 demo 与 policy truth。
Timeline review
Goal、当前状态、目标距离和中文说明沿时间轴同步显示。
Synchronized evidence
三路相机、逐步 action、原生 score 与运行 manifest 对齐到同一个 step。
从 success 指标到 CI 质量门禁
Deployment gate · PLANNED
规划将成功率、执行成本和经验证的过程指标用于发布门禁；当前尚未形成完整闭环。
Regression detection
对终点相似的运行，比较耗时、路径、方向反转和低活动步。
Infrastructure status
基础设施 pass 仅表示环境可运行，与 policy success 分开记录。
03 · 证据边界
区分示教素材、仿真运行与结论
本节列出各类证据可以支持和不能支持的结论。
证据事实可用于
Fill Egg Holder · Official Teleop demos两条官方训练示教；最终帧呈现关盖外观；官方 score 未重跑强差异质量对照 Demo
Fold Clothes · Official DataGen demos两条官方训练示教；4%–10% 级过程与视觉代理差异；官方 score 未重跑细微退化检测 Demo
Fill Pen Holder · ACT policy run真实 GPU 运行，success=false，score=0失败诊断
RoboRSI · 5 任务 × 5 布局 × 3 种控制方式75 回合：GPT-6 Astra＋固定技能 10/25，GPT-6 Astra＋可选 Simate 10/25，Simate（VLA） 5/25；可选 Simate 组 10 次成功中 5 次未调用 Simate；轮间布局与源码有变化控制方式的探索性对照
- 两条蛋盒官方示教可被三视角同步回放
- 逐步 action 可计算时长、路径、反转与低活动步
- 强差异与细微退化能进入同一质量账本
- 系统可以区分“终点相似，但过程质量不同”
- 这两条是两个 policy 的同 seed / 同 layout A/B
- 两条都取得 RoboDojo 官方满分
- 反转与低活动步等同于人工标注的重试或停滞
- 两条样本足以证明跨 seed 稳健性
- 大模型调度 VLA 稳定优于两端基线，或自主代码改写已持续提升成功率
- 故障恢复的自动筛选已达到某个准确率（人工标注完成前只是候选）
- 01RoboRSI 75 回合建图并自动筛选恢复片段（候选）
- 02独立盲标，计算准确率、精确率与召回率
- 03同任务、同起点 100 回合评测集，调规则与评测样本分开
- 04恢复片段交给大模型复盘生成候选，配对实验决定是否保留
长程案例
打开长程案例插笔入筒：同一布局，三种控制方式
GPT-6 Astra＋固定技能、GPT-6 Astra＋可选 Simate、Simate（VLA）在同一布局上同步回放，看谁插进去、在哪里出错、出错后有没有恢复。
早期案例：示教质量对照（蛋盒、叠衣服）与过程指标
早期案例 · Long-Horizon Demo
同一任务，终点相似，运行过程不同
任务要求把四个蛋放入蛋盒、关盖并让机器人回到原位。两个官方示教以真实速度同步起播：Episode 2 在 10.80 秒结束，Episode 54 还要继续 18.64 秒。
耗时更短、路径更短Official demo · Episode 2
终点相似，耗时更长Official demo · Episode 54
对照要点
两次运行耗时分别为 10.80 秒和 29.44 秒。同步多视角回放用于核对额外动作发生在哪个阶段，并将耗时、动作路径、方向反转和低活动步记录为可复测指标。
早期案例 · 系统记录了什么
同时比较任务结果与执行过程
绿色代表 Episode 2，橙色代表 Episode 54。全部数字来自官方示教视频与 14 维 action；没有 ground truth 的成功分不会填成 0 或 100。
Episode 2Episode 54本组指标均为 ↓ 越低越好
示教时长三路视频从第一帧到最后一帧；25 FPS
↓ 越低越好快 63.3%
动作空间路径14 维 action 相邻步 L2 变化量总和，不是米
↓ 越低越好少 19.4%
方向反转各关节动作增量变号次数；是来回修正代理，不是语义重试
↓ 越低越好少 66.4%
低活动步相邻 14 维 action 变化 L2 < 0.01；是停滞代理
↓ 越低越好3 vs 123
逐步动作活动度
长程差异体现在整个运行过程
每根柱子聚合一段 14 维 action 的相邻变化量。点击柱子可以跳回相应视频时间；Episode 54 的时间轴横跨 29.44 秒，因此相似终点背后的额外等待与反复修正仍可检查。
Episode 2
Episode 54
早期案例 · 细微退化
差异不总是 2.73×；小退化也值得在上线前被发现
Fold Clothes 官方示教用来展示肉眼难以稳定识别的 4%–10% 级质量差异。
SUBTLE REGRESSION10.1%
Episode 36 的动作空间路径更短；同时快 4.2%，最终轮廓矩形度代理高 5.9%。这组差异幅度较小，可用于说明持续评测与回归检测的作用。
下载 Fold Clothes 报告数据来源