在許多關鍵任務場景中，人們希望機器能代替人類進入危險環境、使用人類工具完成工作，但這類“無人值守的交互式自主”目前仍是缺失的能力。困難在於：現場往往缺少訓練數據，系統只能使用機載計算，而部署後還必須應對新的情況，又不能忘記之前學會的技能。針對這一挑戰，Amarjot Singh等十位研究者於2026年9月3日向arXiv提交了論文《面向部署後物理AI的持續現場自適應模型（CFAMs）》（arXiv:2609.04552，主題分類cs.RO與cs.AI），提出CFAM方法。
CFAM的目標是在實驗室中高效學習，並在部署後繼續通過自主、無梯度、設備端更新來成長。其核心是一種互補學習架構：一側是凍結的慢速學習組件，用於保留長期穩定能力；另一側是快速學習的“膠囊場”（Capsule Field）。慢速組件包含三個皮層：Sensor皮層將多模態輸入映射為基於3D空間的幾何表示；Reasoning皮層將任務分解為技能並評估結果；Action皮層則執行這些幾何技能。膠囊場以一次性、無梯度的方式把現場學到的內容保存為“能力膠囊”（Competence Capsules）。技能安裝階段在實驗室只需少數示例，部署後則可持續進行；不過論文明確把開放世界的新奇事物排除在當前範圍之外。
實驗覆蓋了五種機器人形態：機械臂、四足機器人、人形機器人、四旋翼無人機和越野車。為了公平比較物理平台上的表現，pi0、CogACT和SpatialVLA等基線使用了同一套內部多形態數據集。結果顯示，CFAM只需完整訓練集40%的數據（即2.5倍更少的軌跡）即可達到用全部先前數據訓練的標準策略的運行點。測試時，自主採集經過驗證的近分佈外（near-OOD）案例使動作成功率提升了13.9個百分點。
論文還考察了順序學習中的遺忘問題。在順序仿真設置下，CFAM的後向遷移僅為-0.5個百分點，而LoRA為-11.4個百分點，説明CFAM在學習新技能時能更好地保持先前能力。論文總結認為，CFAM提供了一種有界的部署後物理智能：它支持小樣本技能學習、從經過驗證的近分佈外經驗中自主增長，並且不會明顯破壞已有能力。該論文的arXiv DOI目前正通過DataCite等待註冊。