RPent 简介

RPent（Recursive Physical Agent）是一个具身智能体框架。它让语言模型根据任务和视觉观测选择工具，再通过动作模型或程序化动作控制机器人。每次执行的结果会返回给规划器，用于判断下一步操作。

如何完成任务

1. 规划器读取任务描述、当前观测和可用的任务经验。

2. 通过视觉工具定位目标，选择 VLA 或程序化动作工具。

3. 环境执行动作，返回状态和相机画面。

4. 规划器根据结果继续、调整策略或结束任务。

探索模式允许多次尝试并整理本地记忆。评测模式读取已有记忆，按环境规定判断任务结果。实现细节见 系统架构与执行流程。

排行榜

对比 LIBERO、LIBERO-PRO、RoboCasa365 Target50 和 RoboTwin C2R 上的成功率。 排名仅限图中方法及评测范围；完整结果、模型配置和来源见 RPent 排行榜。

选择平台

平台	文档内容
LIBERO	Pi0.5、SAM3、LIBERO / LIBERO-PRO 运行与复现。
RoboCasa365	RLDX-1、厨房任务和 Target50 复现。
RoboTwin	LingBot-VLA、双臂仿真任务和 C2R 复现。
单臂 Franka	硬件准备、标定、自检和运行。
双臂 Franka	双节点部署、操作与人工参与的探索。
YAM	已有任务演示；安装使用文档即将推出。
SO-101	内容即将推出。

规划器可选择 api、claude_code 或 codex；LIBERO 还提供用于执行已有计划的 Flash Mode。模型服务配置见 配置规划器与模型服务。

从 快速开始 开始运行第一个任务。评测成绩和资源开销见 RPent 排行榜，研究背景见 Harness VLA。

DreamZero、Cosmos Policy 和 RoboDojo 也列在项目的规划中，相关使用文档待补充。