在许多关键任务场景中，人们希望机器能代替人类进入危险环境、使用人类工具完成工作，但这类“无人值守的交互式自主”目前仍是缺失的能力。困难在于：现场往往缺少训练数据，系统只能使用机载计算，而部署后还必须应对新的情况，又不能忘记之前学会的技能。针对这一挑战，Amarjot Singh等十位研究者于2026年9月3日向arXiv提交了论文《面向部署后物理AI的持续现场自适应模型（CFAMs）》（arXiv:2609.04552，主题分类cs.RO与cs.AI），提出CFAM方法。
CFAM的目标是在实验室中高效学习，并在部署后继续通过自主、无梯度、设备端更新来成长。其核心是一种互补学习架构：一侧是冻结的慢速学习组件，用于保留长期稳定能力；另一侧是快速学习的“胶囊场”（Capsule Field）。慢速组件包含三个皮层：Sensor皮层将多模态输入映射为基于3D空间的几何表示；Reasoning皮层将任务分解为技能并评估结果；Action皮层则执行这些几何技能。胶囊场以一次性、无梯度的方式把现场学到的内容保存为“能力胶囊”（Competence Capsules）。技能安装阶段在实验室只需少数示例，部署后则可持续进行；不过论文明确把开放世界的新奇事物排除在当前范围之外。
实验覆盖了五种机器人形态：机械臂、四足机器人、人形机器人、四旋翼无人机和越野车。为了公平比较物理平台上的表现，pi0、CogACT和SpatialVLA等基线使用了同一套内部多形态数据集。结果显示，CFAM只需完整训练集40%的数据（即2.5倍更少的轨迹）即可达到用全部先前数据训练的标准策略的运行点。测试时，自主采集经过验证的近分布外（near-OOD）案例使动作成功率提升了13.9个百分点。
论文还考察了顺序学习中的遗忘问题。在顺序仿真设置下，CFAM的后向迁移仅为-0.5个百分点，而LoRA为-11.4个百分点，说明CFAM在学习新技能时能更好地保持先前能力。论文总结认为，CFAM提供了一种有界的部署后物理智能：它支持小样本技能学习、从经过验证的近分布外经验中自主增长，并且不会明显破坏已有能力。该论文的arXiv DOI目前正通过DataCite等待注册。