26年9月来自字节Seed、耶鲁、普林斯顿、CMU、斯坦福、UCLA和西雅图U Wash的论文“EmbodiedSWE: Coding Agents for Long Horizon Dexterous Robotics”。

这篇论文的主要价值，是展示了一条机器人数据生成路线：让编程智能体在仿真中开发控制程序，再将成功程序扩展成示范数据，用于训练机器人策略。

它为复杂任务的数据生产提供了有说服力的初步证据，但对通用策略、复杂操作的稳定性和真实环境泛化，证据仍有限。

如图 1所示EmbodiedSWE该方法的概述：

论文围绕三个递进的问题展开：编程智能体能否解决复杂机器人任务？成功程序能否生成多样化数据？这些数据能否训练出有效、甚至能迁移到真机的策略？

核心方法可以概括为：任务 → 编写与调试控制程序 → 仿真验证 → 扩展示范 → 微调 VLA。

首先，作者构建了 EmbodiedSWE-Bench：包含 28 个任务，覆盖装配、收纳、工具操作、柔性物体、液体、切割和移动操作，支持五种机器人形态，部分任务执行时间可达半小时。智能体可以读取完整仿真状态和环境代码，在最长四小时的预算内反复试验，提交 solve(env) 控制程序。

其次，作者引入检查点树、参数搜索、并行方案比较等工具，帮助智能体调试长流程任务。这里的智能体主要承担离线机器人程序开发，实际控制由生成的程序和底层控制器执行。

最后，EmbodiedSWE-Gen 从一个验证成功的程序出发，沿五个维度扩展数据：

如图 7所示EmbodiedSWE-Gen 的分层多样化流水线。该流程以一个经由编码智能体（coding-agent）验证的解决方案为起点，通过对场景、策略、阶段、动力学及视觉要素进行多样化处理，将其扩展为涵盖广泛的训练轨迹集合。其中，高层级的变体调整任务结构、解决方案行为及中间状态覆盖范围；而低层级的变体则引入物理、动作及视觉层面的扰动，旨在提升鲁棒性并丰富执行方式的多样性。

生成的轨迹必须通过任务评分和动作回放检查。一个值得关注的设计是：在运输阶段施加强扰动、精密插入阶段施加弱扰动，并让程序展示恢复行为，比统一加噪更符合任务结构。

---

论文的贡献主要体现在以下三点。

提供了面向复杂机器人编程的评测平台。
它把评估对象从一次性动作预测，扩展到“理解环境—编程—执行—诊断—修复”的完整过程，能够暴露视觉理解不足、固守错误方案、绕过评分等失败模式。

把成功程序变成可扩展的示范生成器。
程序包含任务阶段、控制参数和恢复逻辑，因此既能执行任务，也能指导数据扩展。尤其是“策略变化”和“中间状态覆盖”，比单纯改变纹理或初始位置更接近行为层面的多样化。

连接了程序求解、策略学习和真机迁移。
作者不仅展示程序能够完成任务，还验证生成数据对 VLA 微调有用，并给出真机概念验证。不过，这些环节目前分别验证，尚未构成大规模、端到端的通用机器人学习闭环。

如图 19 所示真实机器人和对应的仿真器配置：

主要实验结果及其合理解释如下：

这里必须区分：82% 是编程求解的任务覆盖率；69% 是特定 VLA 评估条件下的成功率；0.233 是分布外平均评分。三者不能直接比较。

---

影响论文结论强度的主要问题有以下几项。

第一，仿真中的编程能力与真实机器人自主能力之间，仍有较大距离。

求解器可以读取完整物体状态、环境源码及场景常量；真机策略主要依赖图像与本体状态。前者能够精确查询的信息，后者必须通过感知估计。因此，论文较充分地证明了“拥有特权信息的智能体可以开发控制程序”，但尚未证明这种能力能被完整转移给视觉策略。
此外，人形机器人移动使用预训练步行策略，部分桌面任务固定骨盆；跨机械臂迁移实验保留相同 Panda 夹爪。因此，“跨形态”和“灵巧操作”的覆盖范围需要按这些条件理解。（第 3、5、18 页）

第二，VLA 的部分成功标准被放宽，这是解读结果时最重要的细节。

附录表 22 明确规定：
清理物体：放置一个有机物体即可；
收纳笔：插入一支笔即可；
咖啡制作：满足条件后按下启动键即可；
香蕉切片：切成至少三块。

原始基准中的部分任务要求更完整的流程，例如清理全部目标物体、装入全部笔并摆正笔筒。因此，69% 不能解释为 VLA 已经以该成功率完成原始长流程基准。放宽标准可以用于研究学习进展，但应同时报告原始标准下的结果。（第 39 页）

第三，多样化有效，但各个设计的独立作用没有被识别。

作者以相同示范数量比较两种数据管线，这是优点。然而，智能体辅助数据拥有更广的语义和策略覆盖，脚本基线主要围绕原始任务做局部随机化。结果能说明“更丰富的生成管线更有用”，尚不能确定：
提升主要来自场景、策略还是阶段扩展；
智能体生成是否优于覆盖范围相当的人工设计扩展；
在同等总成本下，优势是否仍然存在。

附录也明确承认没有隔离各层扩展的贡献。另外，同一物理轨迹的不同外观版本计为不同 episode，因此示范数量不完全等于独立行为数量。（第 36–38 页）

第四，迁移和工具实验存在对照不足。

跨机器人迁移把“Kinova/xArm7 + Franka 参考代码”与“Franka 无参考代码”比较，缺少目标机械臂自身的无参考代码组，无法排除机器人和控制设置差异带来的影响。（第 31 页）

工具实验则使用两张 RTX 4090，而基线使用一张。更值得注意的是，工具提高了平均部分评分，却没有提高完整成功率：
Opus 5：平均分 0.66 → 0.70，成功率 50% → 43%；
GPT-5.6 Sol：平均分 0.44 → 0.51，成功率维持 18%。

因此，较准确的表述是“工具帮助推进了部分任务”，而不是已经证明其提高完整任务解决率。（第 6、21 页）

第五，统计稳定性和评分有效性还需加强。

主基准每个“模型—任务”只有一次运行；跨任务标准误不能替代重复运行对随机性的估计。不同模型还使用不同原生编程框架，结果反映的是模型与框架的组合能力。

柔性物体类任务的汇总成功率均为 0%，而表注说明其分数未包含最终 VLM 检查关卡。这使得该类任务的部分得分与最终完成之间存在明显距离，需要更清楚解释视觉示例、评分和成功判定之间的关系。（第 20–23 页）

独立评分环境和动作回放是有价值的防护，但回放成功主要证明记录动作可复现；它本身不保证评分标准充分、接触物理准确或行为能迁移到现实。

第六，真机实验是有意义的概念验证，但“零样本迁移”需要限定。

全流程成功只有 2/10 次，且真实场景经过 3D Gaussian Splatting 重建，灯具由仿真资产对应地 3D 打印。附录进一步说明，部署的第 14,000 步检查点是依据真机表现选择的。（第 9、40 页）

因此，准确的说法是：**此次微调没有使用真实机器人示范，但使用了真实场景信息和真机反馈进行选择。**它不能等同于完全没有目标环境反馈的迁移。

从阶段结果看，完成灯罩放置为 8/10，完成灯泡抓取降至 3/10，最终完成为 2/10。就这组小样本而言，灯泡抓取及前后阶段衔接值得优先排查。

第七，更宏大的学习和成本主张，证据还不完整。

与 PPO 的比较说明了预训练编程智能体在给定预算内相对从头训练的优势，但不能据此判断程序策略普遍优于强化学习；示范初始化、分层学习和预训练策略微调仍需比较。

数据成本也应计入失败求解、仿真、渲染、回放、训练和人工建模，而不只是摊薄后的 token 成本。附录中的编程智能体强化学习实验只有训练集改善，尚未完成留出任务评估，不能作为泛化提升的证据。（第 28、35–36、42、55 页）

---

进一步工作可以按以下优先级推进：

其中“学生失败驱动的程序教师补数”：先让 VLA 实际执行，定位失败状态，再让编程智能体生成针对性的恢复方案和示范。这能直接检验论文最有价值的设想——程序教师是否能够持续补足机器人策略的能力缺口，而不仅是扩大已有成功轨迹的数量。