清华联手无问芯穹等开源RPent，具身智能体基础设施实现92.6%成功率

数字世界的智能体已经展示了一种工作方式：大模型理解目标、拆解任务、调用工具、根据结果调整计划。随着GPT-6 Astra开始接受真实机器人操作测试，这种范式正被推向物理世界。但物理世界不是可以随时回滚的代码——环境持续变化、状态无法完全观测、动作一旦发生很难撤销，抓取、装配、插拔等精细操作还需要专门的模型与控制能力。

RPent的出发点正是这个落差。它由清华大学、无问芯穹、正行创新联合发起，定位为具身智能体基础设施，面向真实物理世界，把通用大模型的任务理解与规划能力、VLA等专家模型的精细操作能力，以及记忆、工具和机器人接口连接起来，形成从感知、决策、执行到反馈纠错的闭环。

需要先厘清的是证据性质：本文所引用的性能数字、架构描述与任务演示，均来自量子位对RPent开源项目的报道。RPent确已开源（GitHub仓库RLinf/RPent），但报道中的基准成绩与真机效果尚未见第三方独立复现，应视为来源方声明而非已确认事实。

当前具身智能大致呈现两条路线。一条是纯VLA端到端：用一个视觉-语言-动作模型直接吃下观测、吐出动作，精细操作做得好，但任务一长、语言一变、场景一扰动就迅速退化。另一条是纯大模型Agent（如CAP-X这类工作）：随着GPT-6这一代通用模型对具身任务覆盖率提升，大模型直接输出动作已能跑通不少任务，但在亚厘米级精度、执行时延和“越用越强”上仍有明显短板。

RPent的立场不是在这两条路线之间折中，也不是让某一个模型包办从任务理解到机械臂控制的全部工作。它把具身智能拆成不同层次的能力：通用大模型负责理解任务、制定计划；VLA、WAM等专家模型负责高精度动作执行；记忆系统沉淀经验；框架负责连接模型、工具与真实环境。由此形成“观察-规划-执行-反馈-再规划”的闭环。

这一设计背后有可追溯的算法来源：报道称其源于团队于7月份提出的Harness VLA工作（arXiv:2607.08448）。架构上，RPent分为用户层、智能层、接口层、环境层四层。用户层提供类似Claude Code/Codex的交互式CLI及可选Web Dashboard；智能层由Agentic Planner和Action Primitive组成；接口层把智能体决策转换为机器人可执行指令；环境层负责任务执行。智能层与环境层采用独立进程架构，支持模型服务、机器人控制和仿真环境的独立部署、迁移与重启。