CoRL 2026于2026年11月9日至12日在美国得克萨斯州奥斯汀举行。本届大会共收到2094篇有效投稿,录用687篇,录用率32.8%。从论文主题统计看,强化学习方向的论文有79篇,为本届讨论最集中的方向之一。

这79篇论文关注的核心问题是:怎样改进算法、优化策略,让机器人学得更好。收敛速度、迁移稳定性、泛化边界,构成研究的主要着力点。也正因如此,会场内的讨论密度集中于策略一侧——奖励如何设计、数据如何回放、策略如何蒸馏,而承载试错过程的载体本身,获得的审视相对有限。
问题在于,机器人要通过强化学习不断试错,前提是存在一个能够承载任务、动作和反馈的环境。策略怎么学受到关注,机器人在哪儿练、练什么,同样是强化学习的基础性问题。从强化学习的运行机制看,状态、动作、奖励三者均由环境给出,环境的变化会直接改变学习问题本身的定义。
同样,在CoRL 2026期间,光轮智能正式发布RoboFinals RL Envs,把机器人强化学习环境作为产品带到大会现场。
算法决定机器人如何学习,环境则决定它能练习什么、如何试错,以及能否持续获得有效反馈。就当前的技术状态而言,算法迭代的速度已经明显快于环境供给的丰富程度,现有的环境难以满足更复杂多样的训练需求。强化学习环境正在被产业界与学术界同时重视,成为影响机器人能练什么的核心变量。
01
RL Envs的市场热:真实任务转化为训练环境
大模型正从生成答案走向调用工具、操作软件和完成多步骤任务,后训练也随之需要更多可交互、结果可判定的任务环境。模型在环境中执行动作、观察结果,再根据反馈调整策略。在数字世界里,这些练习可以是修改文件、运行代码或操作企业软件。能够承载具体任务、支持反复尝试并提供有效反馈的强化学习环境,正在成为前沿大模型后训练所需的重要基础设施。
过去一年,Mercor、Surge AI、Handshake等公司的进展展现出市场热情:Mercor 完成 7.5 亿美元 D 轮融资、估值 200 亿美元,早前收购了把数百个企业应用重建为训练环境的 Deeptune;Surge AI 用自建 RL 环境做后训练,让模型在从未见过的 SWE-Bench Pro 上提升 5.7 个百分点;Handshake AI 相关业务上线约一年,年化收入达 10 亿美元(据《时代》杂志援引其 CEO)。
环境与任务本身,已成为可计价、可交付的商品。

随着前沿模型在推理、规划和工具使用上的能力快速提升,这类需求也开始向物理世界延伸。第三方围绕 GPT-6 Astra 开展的机器人任务测试,已经展示了通用大模型参与机器人任务的潜力。模型要进一步进入实际工作,还需要学会处理接触、物体状态变化和连续操作。将模型的理解与规划能力转化为可靠的物理操作,需要相应的任务环境,让模型在持续交互中练习、试错,并根据动作产生的结果改进策略。
这也让物理世界的强化学习环境需求变得具体。真机试错受到设备数量、任务重置、安全和现场条件的限制,仿真则可以提供受控、可重复的交互条件。面向物理任务的 RL 环境,需要承载具体工作流程、表达动作引起的状态变化,并为策略训练提供反馈。
光轮智能此次发布 RoboFinals RL Envs,回应的正是前沿大模型走向物理世界过程中,对强化学习后训练环境的需求。
用一句话概括光轮智能的RoboFinals RL Envs:RL Envs是机器人可以反复执行任务、观察环境反馈、不断优化行为的RL Ready仿真环境。所谓RL Ready,意味着环境在任务语义、物理交互与反馈信号三个层面均已对齐强化学习的训练需求,模型接入之后即可开始试错与迭代。
RoboFinals RL Envs以真实工作任务为导向,首发展示了时长超过8分钟的长程仿真任务——汽车修理任务。该任务将灵巧操作(灵巧手本体)、多阶段流程和可变形物体交互(软管、线缆、密封垫等)放在同一个工作场景中,其难度并不在于单项技能,而在于多种交互形态在同一任务链条内的耦合。

任务内部还存在因果关联:前后任务阶段相互关联,前一步操作造成的物体位置、姿态和接触状态变化,会延续到后续步骤。机器人需要在连续过程中推进任务、调整动作并应对状态变化,而非在每个阶段重新开始。这种长程、有记忆的任务结构,正是当前多数仿真环境难以提供的。
技术底座方面,光轮智能依托"求解-测量-生成"三位一体的全栈自研仿真底座SimFoundry,由AI agent驱动生成链路,让真实任务得以规模化进入仿真。其流程可归结为:基于真实任务,进行符合物理真实的资产重建、物理建模和任务定义。规模化复制是这一链路区别于手工搭景的关键。
02
Agent驱动配合专家监督,让复杂交互仿真环境更可信
仿真环境的物理反馈是否可信,决定了在仿真中习得的行为能否迁移到真实。光轮智能推进Agentic校准工作流:由Agent提出校准方向、比较结果并组织下一轮调整,辅以专家监督,让关键交互的物理表现逐步逼近真实。校准的对象不是场景外观,而是交互过程中的力学响应。
一个具体案例可以说明这一工作流的运作方式。软管受到牵拉时的弯曲和摆动会影响机器人操作,初始仿真中存在异常抖动;通过Agent自动迭代调整仿真参数并辅以专家监督,异常抖动被成功减少,软管响应更接近真实。参数调整的对象明确、结果可对照,由此形成校准工作可复现的基础。

支撑校准结果的,是一套可验证的技术链路:光轮智能通过Agent自动迭代调整仿真参数并辅以专家监督,使交互反馈物理真实。
由此,RoboFinals RL Envs提供规模化训练的强化学习环境,RoboFinals Benchmark提供规模化评测能力,两者共享任务语义、场景资产和能力定义,使训练与评测围绕相同的工作要求展开;同时,训练任务、奖励调参过程与独立评测实例保持区分,为学习效果保留独立的检验依据。训练与评测同源而不同实例,这一设计思路与机器学习领域的数据划分原则一致。
在环境扩展方向上,光轮智能的规划是让RL Envs承载更多类型、不同难度和不同任务跨度的机器人工作,环境库的分布跟随真实任务分布——场景类型覆盖家居、工业、零售、医疗等;操作类型与难度从抓取放置,到对准、工具使用、力控,再到精密闭环操作;资产类型包括刚体、关节体、柔体、流体。
可见,光轮智能并未停留在泛泛强调"环境重要",而是交付了一个结构完整、规格可查、扩展路径明确的产品。对产业而言,可交付意味着环境能力可以被采购、被集成、被复用,而不再依附于单个团队的内部搭建。
03
RoboFinals RL Envs呼应学界热点,训练环境成为重要基础设施
学术界对环境问题的回应,同样密集。本届CoRL已有一批研究,分别从环境搭建、场景扩展和学习型模拟器可靠性等角度,处理机器人强化学习中的环境问题。
环境如何高效搭建是一大难题。传统方法将模拟器视为固定数据源,依赖均匀生成或专家手动参数对齐,生成分布本身并不参与优化。CoRL 2026录用论文MetaGenSim改变了这一前提:通过元梯度训练辅助评估网络,在参数空间内自动发现高效用的数据生成分布,无需人工对齐。真机全任务成功率相对均匀生成提升150%,达到与专家手动对齐相当的水平。

反馈的可信度同样重要。世界模型充当模拟器时,动作输入、逐帧推演、反馈回传;轨迹一旦拉长,预测"幻觉"与长序列误差累积便会出现,误导策略优化。中国科学院自动化所团队的CoRL 2026录用论文WoVR针对这一环节,以关键帧初始化轨迹缩短模拟轨迹、减少误差累积,并以策略对齐协同演化持续校准世界模型。在LIBERO四个套件上平均成功率从40.5%提升至69.5%,Franka与AgileX Piper真机任务较基础策略分别提升28.9和13.4个百分点。

从这些研究可以看到,机器人强化学习环境绕不开这些工程问题:环境如何高效搭建,以及环境提供的交互反馈如何保持可信。光轮智能此次发布RoboFinals RL Envs,则从一线工程实践回应了这些问题。
把RL Envs做成可展示、可交付的产品形态,并以长程、多阶段、包含复杂物体交互的RL Ready仿真环境能力。
学术研究探索路径,产业产品沉淀能力,两者在CoRL 2026的会场内形成了一次同题应答。
04
从预训练到后训练,“光轮智能”支撑模型全生命周期研发
在光轮智能的整体版图中,此次发布的RL Envs定位明确:支撑模型后训练。
但光轮智能在物理AI基础设施上的积累并不始于后训练,其高质量、大规模、多样化的数据供给已成功支撑多家模型的预训练,自然意志便是其中一例。
2026年10月,自然意志发布面向物理世界的通用基础模型Natura-1,采用500亿参数混合专家(MoE)架构,在100万小时第一人称视角人类经验数据上完成预训练,可在未见场景和任务上零样本泛化、自主完成长程工作流。光轮智能通过人类数据平台EgoSuite,为自然意志交付了数十万小时人类行为数据。

就质量构成而言,光轮智能从单条样本丰富度、样本间重复度和数据集整体分布三个层面提升多样性;自研标注算法可对复杂环境下精细操作中的双手进行位姿连续标注。

作为EgoVerse人类数据委员会唯一中国公司,其在WRC期间发布了全球首个十万小时级高质量人类行为开源数据集EgoSuite-Open100K。从更大的产品结构看,光轮智能已形成EgoSuite人类数据、RoboFinals仿真评测、RoboStack真机部署反馈三大产品线,打通"数据-评测-部署"的完整闭环。从提供训练经验(预训练数据),到构建交互环境(RL Env后训练),再到评测(RoboFinals Benchmark)与部署反馈(RoboStack),其产品线对模型全生命周期形成连续覆盖。

下一阶段的竞争而言,重点不只是让模型学得更好,还需要让模型拥有更好的学习环境;在算法层的竞赛日趋密集的背景下,环境层的建设质量将越来越直接地决定模型能力的上限。光轮智能正在布局的,正是这一基础设施层。
