플래너가 그럴듯한 스킬 시퀀스를 만들었어도 로봇은 잘못된 상태에 남을 수 있다. 서랍이 반쯤 열린 채 멈추거나, 물체가 미끄러지거나, 카메라 영상만으로 의도한 효과가 발생했는지 알 수 없는 경우가 있다. EmbodiedSkills는 각 스킬 호출을 제안으로 다룬다. 가드가 있는 런타임이 이 제안을 검증하고 제한된 행동 청크로 실행한 뒤, 새 관측으로 결과를 확인한다.
논문은 루프가 유지하는 상태, 스킬이 충족해야 할 계약, 검증 뒤에 선택할 수 있는 경로를 정의한다. 가장 명확한 근거는 중간 검증 없이 시퀀스를 실행하는 구성과의 통제 비교다.
이 글은 2026년 9월 1일 공개된 arXiv 버전 1과 DCDmllm 계정의 공개 저장소 EmbodiedSkills를 검토했다. 저장소는 커밋 296795f에 고정했다. 논문 본문은 이 저장소를 링크하지 않으므로, 코드와 논문의 연결은 정확히 같은 프로젝트명, 아키텍처, 용어, 벤치마크 수치에 근거한 판단이다. 코드나 모델, 시뮬레이터, 로봇을 실행하지는 않았다.
스킬 호출은 상태 전이가 아니라 제안이다
논문의 실행 가능한 스킬 계약에서 스킬은 타입이 지정된 입력과 출력, 선행 조건, 실행 연산, 실행 뒤 상태 갱신, 명시적인 실패 상태와 근거를 갖는다. 루프 상태에는 현재 단계, 작업 아티팩트, 순서가 있는 실행 기록이 들어간다. 아티팩트에는 출처와 최신성이 붙으므로, 의존성이 바뀌면 런타임이 오래된 근거를 무효화할 수 있다.
상위 비전·언어 모델은 연산을 제안한다. 런타임은 스킬 실행, 단계 진행, 작업 종료에 서로 다른 가드를 적용한다. 하위 비전·언어·행동 정책은 활성 하위 목표를 받아 제한된 행동 청크를 만든다. 실행 전 런타임은 행동 타입과 차원, 수치 유효성, 길이, 하위 목표, 관측의 일관성을 검사한다.
청크 실행 뒤에는 새 근거를 얻는다. 검증기는 다음 단계 진행, 같은 하위 작업 계속, 재관측, 재계획, 복구, 종료 중 하나로 루프를 보낼 수 있다. 로컬 검증 결과가 벤치마크 성공을 결정하지는 않는다. 최종 성공은 환경의 평가기가 판단한다. 내부적으로 일관된 하위 목표도 전체 작업에는 틀릴 수 있기 때문에 이 구분이 필요하다.
통제 비교가 헤드라인 점수보다 더 중요한 근거다
논문의 AgentLoop 제거 실험은 각 구성을 같은 RoboTwin 2.0 작업 50개에서 작업당 100회, 즉 구성당 5,000회 평가한다. 플래너, 하위 정책, 초기 상태, 최종 평가기는 같다.
| 구성 | 달라지는 점 | 매크로 성공률 | 이 비교가 뒷받침하는 해석 |
|---|---|---|---|
| 전체 AgentLoop | 의미 있는 하위 작업, 중간 검증, 반복 가능한 제한 청크 | 86.20% | 전체 루프의 결과 |
| 검증 제거 | 기준 하위 작업 시퀀스와 전체 행동 예산을 유지하고, 중간 결과 확인 없이 미리 정한 청크를 실행 | 48.2% | 이 설정에서 결과에 따른 분기가 단순 시퀀스 실행보다 중요하다는 직접 근거 |
| 하위 작업 제거 | 전체 예산을 유지하고 모든 청크에 전체 작업 지시만 입력 | 34.4% | 시험한 루프에서 의미 기반 하위 작업 조건화의 근거 |
| 하위 작업당 한 청크 | 하위 작업 시퀀스를 유지하고 32스텝 청크 하나만 허용하며 재시도하지 않음 | 19.5% | 유효 행동 예산이 다른 조건에서 계속 실행과 재시도 여력의 중요성을 보여주는 근거 |
전체 루프와 검증 제거 구성의 38%포인트 차이를 순수한 ‘검증기 성능 향상’이라고 부르면 안 된다. 검증을 없애면 검증 결과가 이끄는 분기도 함께 사라진다. 한 청크 구성도 같은 예산을 둔 복구 제거 실험이 아니다. 이 실험은 결과를 관측하고 그 결과에 따라 다음 행동을 바꾸는 결합 효과를 뒷받침한다.
정책 점수는 범용 로봇의 성능이 아니다
RoboTwin의 86.20%는 작업별로 적응시킨 하위 정책이 50개 작업에서 얻은 결과이기도 하다. 평가 프로토콜은 각 RoboTwin 작업마다 별도의 pi0.5 전문 정책을 미세조정한다. 따라서 낯선 로봇과 작업에 하나의 범용 정책을 배포한 결과가 아니다. 비교 대상으로 제시된 82.74는 제거 실험과 같은 조건에서 다시 실행한 값이 아니라 기존 보고의 참조 열에서 가져온 수치다.
LIBERO의 97.40%는 네 개 스위트의 매크로 평균이며, 해당 절은 에피소드 수를 제시하지 않는다. 기억 의존형 RMBench 작업 네 개에서는 매크로 평균이 12.5%다. 이 낮은 절대 점수를 고려하면 이 프레임워크가 장기 기억이나 일반화를 해결했다고 주장할 수 없다.
루프 비용을 지불할 가치가 있는 경우
가드가 있는 루프는 하위 작업이 관측 가능한 여러 상태로 끝날 수 있고, 실제 상태에 따라 다음 행동이 달라질 때 가장 유용하다. 관측으로 진행 상태를 판별할 수 없거나 비전·언어 모델의 추가 호출이 지연 시간 예산을 넘는다면 이점이 작다. 논문의 한계에는 스키마를 통과하지만 잘못된 그라운딩, 모호하거나 가려진 관측, 어댑터 사이의 조정, 긴 실행에서 누적되는 재시도도 포함된다.
구현을 검토할 때는 먼저 어떤 사후 조건을 시각적으로 확인할 수 있는지, 각 검증 경로가 운영상 안전하게 무엇을 의미하는지 정해야 한다. 장기 작업의 메모리와 복구 가이드는 지속 상태, 재시도 예산, 복구 기록을 더 넓게 다룬다. EmbodiedSkills가 추가하는 구체적인 경계는 다음과 같다. 학습된 플래너가 제안하고, 가드가 있는 런타임이 제안의 허용 여부를 결정하며, 새 관측이 다음 경로를 정한다.
고정된 저장소 README는 AgentLoop, 벤치마크 어댑터, OpenPI 백엔드, 지도학습 레시피를 열거한다. 생성 데이터셋, 체크포인트, 동영상, 과거 강화학습 실험, 고정 시퀀스 재생 프로그램은 저장소 범위에서 제외한다. 2026년 9월 20일 확인했을 때 저장소에는 태그나 GitHub 릴리스가 없었다. 고정한 소스 트리에는 라이선스 파일이나 패키지 라이선스 선언이 없었고, GitHub도 라이선스를 감지하지 못했다. 따라서 공개되어 있다는 사실은 코드를 살펴볼 수 있다는 뜻일 뿐, 재사용이나 재배포 권한을 뜻하지 않는다.