DeliveryGym：面向长时程具身智能体规划的自适应课程强化学习环境

arXiv 论文提出 DeliveryGym，一个用于连续快递班次任务的 3D 强化学习环境，支持多模态工具交互、持久世界动态，并依据仿真事件计算整段轨迹奖励。在六个模型和 13 张城市地图上评估，显示模型能可靠执行单个配送，却不擅长在整班次内选择与排序任务。RL 使 Qwen3-VL-4B 净收入提升 54.3%，自适应课程在同等 rollout 预算下再提升 16.5%。

以往具身智能体评测多关注单个任务是否成功，而快递班次中时间、能量和金钱会在任务间相互占用。该环境把跨任务资源依赖转化为可训练奖励，并区分训练环境自适应与固定评测，使长时程规划能力可被量化比较。

环境用持久世界状态保留前序决策的后果，并把仿真事件映射为轨迹奖励，从而让强化学习直接优化整段班次收益。自适应课程依据策略表现出的弱点调整后续训练班次，同时保持测试集固定，避免评测漂移，因此训练分布与评测分布被明确分离。

对研发而言，它提供可执行、可复现的长时程具身规划训练与评测基准，便于比较模型在资源约束下的排序与调度能力。对产品而言，说明仅靠单任务成功率不足以评估智能体，需引入整段工作流的收益与资源指标；RL 与课程采样也会增加仿真与训练成本。

• 在物流、配送或现场服务产品中，用整班次净收益和资源消耗替代单任务成功率作为智能体上线前的评测指标。
• 把自适应课程思路用于内部智能体训练：按策略失败场景动态调整训练任务分布，在固定评测集上验证提升。
• 基于该环境或类似仿真器搭建回归测试，检查模型在多任务连续执行时是否出现资源透支和排序错误。

• DeliveryGym 的环境代码、任务数据与评测基准是否公开，能否复现 54.3% 和 16.5% 的结果？
• 54.3% 与 16.5% 的提升是否在不同模型规模、不同城市地图上同样成立？
• 自适应课程依赖策略弱点识别，该识别在训练中是否会引入偏差或过拟合？
• 该仿真到真实配送场景的迁移差距有多大，证据中未给出相关验证。