任务

这种分工减少了VLA需要覆盖的任务范围。

RoboCasa365面向真实家庭厨房式操作，包含移动、抓取、放置、抽屉、水龙头、微波炉等长程复合交互，用于评估Harness对复杂任务的组织、重试和恢复能力；

今天，清华大学于超教授团队联合正行创新、无问芯穹，正式发布并开源HarnessVLA，这一技术成果首次将数字智能中广泛应用的HarnessLayer引入具身智能系统，在保持VLA模型冻结的基础上，通过AgenticPlanner对模型调用、任务执行和失败恢复进行统一组织，让机器人从「依赖单一端到端模型」迈向「模型能力与系统能力协同工作」的新架构，显著提升机器人在复杂真实环境中的泛化能力。

除了VLA，它同样能够与WAM等具身基础模型结合，通过统一的任务执行层释放不同基础模型的能力，为未来具身智能系统提供更加通用的组织方式。

表3｜LIBERO-ProGOAL上的逐任务成功率（%）。

除了VLA，它同样能够与WAM等具身基础模型结合，通过改进模型被组织和调用的方式，释放不同基础模型的能力，提升复杂扰动环境下的任务成功率，为未来具身智能系统提供更加通用的组织方式。

图5：不同VLAPrimitive调用上限下的累计任务成功率

如图5所示，横轴表示每个Episode最多允许调用VLA_ACT的次数，纵轴表示累计任务成功率。

从抓取、搬运到整理物体，大多数任务已经能够稳定完成。

这种机制让VLA不必从任意状态端到端承担整个任务，而是在更接近其优势分布的位置上发挥作用。