近日，智元AGIBOT发布终身具身智能框架LIFE（Learning to Live），通过持续感知、长期记忆与能力复用，让机器人在任务执行期间及任务间隔期保持环境在线，并将历史观察用于后续决策。相关论文、RoboBeats系列模型（0.8B/2B/4B）推理代码与权重，以及SSS-Bench评测资源已同步开源。
与传统具身智能系统以单任务为中心、任务结束即重置状态不同，LIFE将调度单位扩展至跨任务。框架由三部分协同构成：轻量决策模型RoboBeats负责条件跟踪与事件发现，可塑性记忆模块PlasticMemory保存原始画面及结构化记录，能力复用机制EDM将求解方法转化为可验证的工具与技能。
据介绍，RoboBeats是一个轻量决策模型（Decision Model），支持0.8B、2B和4B三种参数规模。模型不逐帧生成文本回答，而是读取true/false标签的得分，判断自然语言描述的条件是否成立。多个条件共享视觉输入和历史计算缓存，各自维护预测状态。
其中，RoboBeats-2B在单张RTX 5090上处理一帧新画面延迟约75毫秒，同时检测16个条件时约77毫秒。基准测试显示，RoboBeats-4B在StreamingBench主动输出任务准确率从21.2%提升至64.0%；在SSS-Bench中，问答准确率从40.9%提升至60.5%；挂载EDM后，FindingDory查询成功率从37.5%提升至65.8%。
在基于24小时真机录像的案例中，远征A3 Ultra连续采集一天第一视角视频构建记忆。6个历史信息问答测试中，LIFE得分29.5/30分，平均用时80.6秒；对照组Codex得分28.5/30分，平均用时554.7秒。
智元远征研究团队表示，LIFE旨在使机器人在未接收指令时保持环境感知、积累历史记录，并在新问题出现时调用已有经验。后续，研究需进一步结合长期目标与自主行动，并通过多日在线部署，评估系统在持续变化环境中的运行可靠性。
