26年9月来自六角未来 （HexaFuture AI）公司的论文“Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence”。

这是一篇有价值的系统框架与初步实证论文。它较有说服力地展示了“显式状态管理＋验证＋恢复”能改善机器人任务执行，但对“持续自主进化”和“物理智能内化”的证明仍不充分。

---

一、论文的核心要点

作者关注的问题是：机器人即使具备不错的抓取、放置能力，也可能在多步骤任务中忘记子目标、错误判断完成状态，或在失败后反复执行无效动作。

论文提出 Physical Coding，用两类相互关联的程序组织物理任务：

闭环是：

观察 → 更新世界状态 → 调用动作工具 → 根据新证据验证 → 继续、恢复或停止。

VLA/WAM 在其中仍然重要，但主要充当动作工具。上层框架管理任务逻辑，并把执行经验保存为可复用程序、记忆或训练数据。

“自进化”发生在下一层：依据失败记录修改工具和流程，或利用验证过的轨迹训练新模型；候选更新经过独立评估后才被保留。

如图 1 所示“物理编码”（Physical Coding）通过一种显式的可执行接口，将人工智能引入物理世界。“代码即世界”（Code as World）表征了与任务相关的对象、关系、观测、约束及进度谓词；而“代码即策略”（Code as Policy）则统筹规划、工具调用、动作执行、验证及恢复等环节。二者共同构成了智能体与物理环境交互的核心接口，并积累了可复用的产物，从而实现持续改进。

二、方法贡献：哪些地方真正有价值

1. 将状态、动作和证据放进同一套可检查接口。

“让语言模型写机器人代码”已有明确先例，例如 Code as Policies。因此，本文的主要新意应落在：把世界状态、验证条件、恢复流程和跨回合更新系统地连接起来。

尤其有价值的是记录“这个判断依据哪次观察、发生在什么条件下”。这让失败有机会被定位到感知、状态更新、工具执行或任务规划，而不仅是得到一个最终失败标签。

但这里的 Code as World 主要是任务相关状态与证据的表示，还不能等同于能预测任意物理过程的动力学世界模型。

2. 把“动作结束”与“任务完成”明确分开。

系统允许验证器返回通过、失败、证据不足、受阻、安全停止等状态。低层工具返回“执行完毕”，并不意味着食材确实放进了容器。

这种设计适合多步骤任务：尽早发现局部失败，通常比在最后重新开始整项任务更有效。

3. 为不同层面的改进提供归因框架。

论文明确区分：
工具或流程变好；
数据积累更多；
模型权重更新后能力变强；
换到真实环境仍然有效。

这一点很重要。作者也承认，更好的运行框架不能直接被算作模型学习，更换评估器后的高分不能直接算作泛化。

4. 将机器人操作扩展到有测量依据的实验任务。

PhyBench 要求机器人操作装置、记录读数、拟合参数并提交结论。其价值在于把“动作是否完成”扩展为“结论是否有证据支持”。

不过，这些任务是已知物理规律下的参数估计，尚未涉及未知机制发现。

如图 3 所示物理编码（Physical Coding）：将世界状态、策略执行与证据相互关联。物理观测和工具输出被转化为“代码即世界”（Code as World）形式，用以表征与任务相关的对象、关系、度量、约束及进度谓词。“代码即策略”（Code as Policy）利用这一表征来组织规划、工具调用、动作执行、验证及恢复流程。执行过程产生新的观测结果以更新世界表征，同时基于最新证据进行的验证则决定了后续是继续执行、重新观测、执行恢复操作还是终止任务。

如图 4 所示物理层面的自我演化。“代码即世界”与“代码即策略”理念提供一个跨越四大目标（即：控制框架、数据与环境、模型与算法、具身形态与算力）的共享且可演化的接口。执行过程中的实证数据指导候选修改方案的生成，独立的评估机制决定采纳或回滚，而经由验证的记录则为后续的学习与优化提供支撑。

如图 5 所示任务输入引导一个物理世界模型，该模型生成用于 Harness “观察-规划-行动-验证-恢复”（Observer–Plan–Act–Verify–Recover）循环的世界代码与策略代码。动作与模拟或物理环境进行交互，而经由验证的执行轨迹则提供训练数据，并推动模型、Harness 及环境的后续改进。

三、实验结果实际支持到什么程度

这里有一个容易误读的地方：PhyBench 的“有效运行”不等于“达到精度门槛的成功运行”。论文允许误差超标但流程有效的运行进入误差统计，而且平均误差只统计有效运行。因此，不能把“30/30 有效”直接理解成“30/30 全部达标”。见第22页、表6。

四、主要不足与值得质疑之处

1. 对 VLA 局限的诊断，强于实验所能证明的范围。

论文发现，在 LIBERO 中去掉语言指令后，成功率仍有92.3%，有指令时为96.2%。这很好地说明：该评测可能允许模型通过场景猜任务。

但由此还不能直接推出“VLA 架构本身无法理解指令”或“增加数据和规模无法解决问题”。要检验这一点，应固定初始场景，只改变相互冲突的指令，观察动作是否随语言正确改变。

2. 缺少组件消融，尚不清楚增益来自哪里。

当前整体对比同时引入了任务分解、状态记忆、验证、重试、恢复和更强规划器。缺少以下关键拆分：
仅增加任务分解，能提高多少？
在分解基础上增加验证，能提高多少？
用自然语言状态记录替代代码表示，效果是否下降？
简单状态机加相同工具，是否也能获得接近的结果？

所以现有结果支持整套系统有效，却还不足以说明其关键表示方式具有不可替代性。

3. 可执行表示并不自动保证物理事实正确。

如果感知把烤箱外的食物误记为“在烤箱内”，代码中的条件判断仍可能顺利通过。

这里必须区分：
程序逻辑是否一致；
状态记录是否符合真实世界。

论文强调独立验证，但没有充分量化验证器的误报率、漏报率，以及它与规划器是否会产生相关错误。把错误写成结构化状态，可以让错误更容易检查，却不会自动消除错误。

4. 模型“内化能力”的证据仍弱。

HexaModel 的训练混合了执行轨迹、具身问答、场景描述，以及数学、代码和指令数据；Harness 返回的数据约占训练 token 的38.8%。

因此，总体提升1.2个百分点，尚不能单独归因于验证和恢复轨迹。论文也没有充分展示：
等量通用数据微调的对照；
去除恢复轨迹或验证信息后的变化；
减少 Harness 辅助后是否仍保持优势；
训练轨迹与评估任务、场景、种子的具体隔离方式。

缺少多训练种子及配对统计，也使小幅优势的稳定性难以判断。

5. “自主进化”实际包含显著人工参与。

工具进化中，独立编程代理修改工具，操作员选择抓取像素；折衣服的早期开发还使用过与评估同源的关键点信息。作者随后补做无特权信息复评，这种披露值得肯定，但最终留出测试也只有五个种子。

真实机器人投掷工具的迭代还包含人工示范和人工判断。因此，更准确的定位是：人参与的代理辅助工具迭代，以及初步的数据—模型反馈。

尚未展示长期、多轮、低人工干预且持续改善的完整闭环。

6. 真实部署与科学实验的外推空间有限。

真实机器人每项仅三次试验，速度对比来自不同硬件和运行约束；首个拧瓶盖试验还排除了初始诊断修复阶段。因此，不能将这些数字直接解释为同条件效率优势。

PhyBench 只有三个仿真实验，也缺少其他框架的同条件基线。它证明了端到端流程可行，尚未证明对真实仪器噪声、模型失配和开放科学问题的适应能力。

此外，软件版本可以回滚，已经造成的物理后果通常不能回滚。真实部署还需要独立于高层代码的动作约束与恢复机制。

五、下一步方向

作者提出的远期方向包括模型权重、表示语言、架构、环境乃至硬件共同进化。先收紧问题，将下面三件事做扎实。

其中，最值得单独发展成下一篇方法论文的切口，是“带不确定性和证据时效性的 Code as World”：

世界状态不只保存“真／假”，还保存置信程度、观察时间、适用条件和矛盾证据；验证器据此决定是否必须补充观察；策略进一步选择最能消除不确定性的相机视角或测量动作。

这样就能把当前偏工程组织的框架，推进到一个明确的研究问题：在部分可观测的物理环境中，机器人应何时相信已有状态，何时花成本重新获取证据？