For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh-TW/articles/nvidia-aspire-v1-0-robot-debugging-skills-a8a0a489.md.
NVIDIA 已發布 ASPIRE V1.0，這是一套機器人框架，能將執行失敗轉化為下一次嘗試的素材。程式編碼代理會撰寫機器人控制程式、執行程式、檢視執行結果並修復程式碼。成功的修復之後可以成為技能庫中的可重複使用項目。
NVIDIA 已發布 ASPIRE V1.0，這是一套機器人框架，能將執行失敗轉化為下一次嘗試的素材。程式編碼代理會撰寫機器人控制程式、執行程式、檢視執行結果並修復程式碼。成功的修復之後可以成為技能庫中的可重複使用項目。
ASPIRE 代表 Agentic Skill Programming through Iterative Robot Exploration（透過反覆機器人探索進行代理式技能程式設計）。其核心概念是，經驗可以累積為可檢索的操作知識，而不必將每一次改進都編碼進新訓練的模型權重中。
這次發布也凸顯了底層推理模型的重要性。QbitAI 報導指出，團隊接入 GPT-6 Astra 後，表現大幅提升。NVIDIA 目前的資料顯示，搭配多種前沿模型都能取得亮眼成果，同時保留原有的執行引擎與技能機制。
抓取失敗本身並不能說明原因。物件的位置可能辨識錯誤、抓取候選方案可能不理想、機械手臂可能無法抵達目標，或規劃的動作可能與周遭環境碰撞。
ASPIRE 的執行引擎會記錄感知、規劃、抓取與控制呼叫的相關證據，包括觀察結果、輸入與輸出，以及可取得的視覺證據。代理可以檢視多模態追蹤記錄中相關部分，而不是只把最後的失敗結果當成唯一回饋。
其運作流程如下：
ASPIRE 方法示意圖，圖像由研究團隊提供，並轉載自來源報導。
此框架也透過演化搜尋探索其他程式方案。代理不必反覆微調同一個失敗方案，而可以測試不同的步驟序列、規劃器或抓取策略，再保留通過執行檢查的方案。
例如，抓取較低位置的物件時，可能需要改變機器人位置、切換手臂，或嘗試不同的動作規劃器。有用的成果不只是修正後的程式，也包括說明該修正適用時機的資訊。
一次性的修正有助於完成一項任務；可檢索的技能則可能協助處理之後具有相同基本難點的任務。
ASPIRE 會將經驗證的修復結果提煉成文字形式的機器人知識。遇到新任務時，代理會檢索相關項目，並將其作為脈絡內指引來建立新程式。這與單純在固定座標重播舊軌跡不同。
來源資料介紹了一個展示用技能庫，內含 90 多項技能，涵蓋 18 個類別中的 150 多項任務。這些類別涵蓋感知、抓取、導航、物件搜尋、雙臂操作與復原。NVIDIA 表示，公開的探索器展示的是具代表性的樣本，並非完整清單。
來源報導所示的技能庫介面。
專案報告指出，ASPIRE 在具代表性的未見過長時程任務上，零樣本成功率為 31%；相比之下，先前使用大量測試時推理與重試的方法為 4%。這是特定評估設定下的結果，並非執行新家務任務時的通用成功率。
研究人員也報告了從模擬環境遷移至真實機器人的初步跨本體遷移成果。檢索適用的模擬環境所發現技能，減少了首次成功生成真實機器人程式所需的 token 數量，並提升了該程式在保留測試資料上的成功率。這並不能證明每項模擬技能都能不經修改地遷移至所有機器人或 API。
原始報告指出，團隊將先前使用的 Claude Opus 4.6 後端換成 GPT-6 Astra，並觀察到模擬結果大幅提升。Jim Fan 的公告也提到，Claude Opus 5.5 的表現略高於 Astra，而 Sonnet 5.5 在成本與能力之間展現出有利的平衡；在該項比較中，每項任務約需 12 美元。
目前的官方專案頁面列出使用 Claude Opus 5.5 取得的以下主要成果：
| 評估項目 | 專案報告結果 | 範圍 |
|---|---|---|
| LIBERO-Pro | 平均成功率 99% | 已測試的全部 80 項任務 |
| Robosuite | 具代表性任務成功率 100% | 選定任務，並非整個測試套件 |
| BEHAVIOR-1K | 具代表性任務成功率 100% | 選定任務，並非全部 1,000 項活動 |
來源資料列出七項具代表性的 Robosuite 任務，以及兩項具代表性的 BEHAVIOR-1K 任務。這些分母很重要：不應將結果描述為解決了整個 BEHAVIOR-1K。
ASPIRE 專案報告所示的模型擴展比較。
輸入一句想法，We0 AI 即可生成展示站、頁面與 CMS。發佈上線後並幫你獲取客戶和流量。
用戶註冊贈送一次完整項目生成
適合先體驗一次完整生成流程，快速看到專案初稿。
儲存庫中的另一項模型擴展實驗評估了 10 項 LIBERO-Pro 任務，並報告不同模型的成功率介於 15% 至 99%。這項實驗不應與涵蓋全部 80 項任務的結果混為一談。
實際的重點在於，隨著模型更換，感知工具、控制介面與累積技能仍可持續發揮作用。專案將此描述為機器人領域的一種延伸趨勢：更強大的通用推理能力能提升既有代理系統的表現。
公開儲存庫包含程式碼、設定、代理技能與重現實驗的操作手冊。NVIDIA 所有及貢獻的專案資料採用 Apache 2.0 授權；第三方元件則沿用各自的授權條款。
儲存庫區分了模擬實驗與真實機器人操作。模擬環境的設定需要先準備主機，包括安裝 CUDA、uv，以及取得受限制的 SAM3 權重存取權。要重現實驗，還需要選擇測試套件、任務集、種子排程與輸出路徑，而不是假設一個通用指令就能重現所有已發布結果。
重要事項： README 指出，產生的 Python 程式碼可完整存取匯入功能，而且試驗程序與 watchdog 並非安全沙箱。官方指引要求使用隔離主機，並為實體硬體另行設定授權與控制措施。成功執行模擬器，不足以作為無人監督的真實世界操作準備。
專案也列出尚未解決的限制：可靠的成功偵測、安全重設、安全監控、校準、固定的原語 API、成本高昂的搜尋，以及不完整的長期技能記憶管理。隨著技能庫擴大，其中的項目可能過時，或變得過度專門化。
報導最後提到 World Labs 的另一項進展。其官方貼文確認，Atlas Beta 存取權正開始逐步開放，並展示精確控制攝影機路徑的功能。
QbitAI 另外報導了輸出影片長達一分鐘、解析度為 1440p、可從圖片或手機影片重建，以及能輸出點雲與 Gaussian splat，並可用於機器人學習的 RGB／深度模擬等功能。本文撰寫時，無法從可取得的簡短官方貼文中獨立確認這些詳細規格。
生成環境與學習機器人技能可能是互補的研究方向。本文檢視的來源並未宣布 ASPIRE 與 Atlas 整合，因此，這項組合仍是報導提出的一種可能性，而非已發布的工作流程。
ASPIRE 是一套使用程式編碼代理撰寫、執行與除錯機器人控制程式的機器人框架。它會將經驗驗證的經驗保存為可重複使用的技能，以供後續任務使用。
此專案強調技能精進與操作知識累積，而非對底層模型進行梯度更新。凍結的前沿模型可以檢索這些技能，並在撰寫新程式時加以運用。
沒有。所報告的 100% 結果僅適用於選定的 BEHAVIOR-1K 代表性任務，並非整個活動集合。LIBERO-Pro 的 99% 數據範圍不同，涵蓋 80 項已測試任務。
此專案評估了多種前沿模型，並將此框架描述為不受特定程式編碼代理限制。但成功率與成本仍取決於模型、任務及實驗設定；具備相容性並不代表能取得同等結果。
研究人員報告了初步證據，顯示在不同本體與 API 間，選定的模擬環境所發現技能能減少真實機器人的除錯工作。實體操作仍需要校準、監控、安全重設與結果驗證。
官方專案明確表示，ASPIRE 尚未成為完全自主的真實世界學習系統。其 README 也將模擬環境使用方式，與操作實體硬體所需的操作者控制措施分開說明。
ASPIRE 將機器人執行追蹤記錄連結至程式編寫與除錯循環，再將經驗證的修復結果保存為可重複使用的知識。此版本透過程式碼、操作手冊與技能探索器，讓這套工作流程更容易檢視。
其結果展現了令人期待的模型擴展能力與初步技能遷移成果，同時也必須留意基準測試涵蓋範圍與實體部署上的限制。可重複使用的技能循環是這項工作的核心貢獻；在特定基準上接近完美的成績，並不代表可以免除受控的真實世界評估。
從一句話開始，幾分鐘內拿到完整網站。
