具身图灵机：用有状态代码实现机器人递归自我改进的 Code-Only-as-Policy

若机器人与环境状态能被准确表示，决策能否全部写成代码，并在测试时不调用模型的情况下跨回合复用。

• 场景：作者把机器人与环境看成 Embodied Turing Machine：纸带是环境状态与机器人状态，策略是读写该纸带的规则。现有策略多把模型留在控制回路，VLA 把观测映射到动作，Agent Harness（Agent-as-Policy 或 Harness VLA）在运行时查询 VLM。
• 现有不足：作者称 VLA 的映射留在权重里，不能直接检查或编辑；Agent Harness 虽有文本记忆，VLM 与 VLA 仍是黑盒。既有代码策略或在每个回合在线写新代码，或从感知模型、仿真器 oracle 取状态（Figure 2）。
• 观察：作者称两类状态都可观测：机器人状态来自本体感觉，物体位姿可由 RGB 与测得几何恢复。物体重排只改变纸带，同一套规则仍适用。
• 提出：Code-Only-as-Policy（COAP）。代码从相机图像与本体感觉测量并跟踪状态，每一步决策都由代码作出；不同任务共享一个库，同一程序跑一个任务的各回合，测试时无 VLM 或 VLA。作者称这适合作为递归自我改进（RSI）的介质，也可为 VLA 与 Agent Harness 产生成功轨迹。

视觉-语言-动作模型

• 端到端策略：RT-2、OpenVLA、π0、π0.5 学习语言条件的 visuomotor 策略；作者还提到后续基础模型继续扩大数据与训练。
• 作者的对比：作者称 VLA 不能直接检查或编辑，每次改进都要新数据和新训练。LIBERO-PRO 被引来说明基准成功可能反映记住的训练配置。作者还引在新任务上训练可能降低旧任务表现的结果，并称 COAP 可把失败回溯到变量、把接受的修改合并进代码。

用 VLM 做机器人控制

• 规划与工具：ReAct 把推理与动作交错；Toolformer 让模型调用工具；SayCan 用可学习 affordance 落地语言规划；Inner Monologue 把环境反馈送回规划器。
• 近期 harness：作者提到让 VLM 调用解析或学习到的原语，以及把 GPT-6 Astra 直接当作具身策略评测。作者的批评是：执行中反复查询模型，同一提示也有随机性，且回合成本高。本文只在离线用模型写代码。

代码策略

• 运行时写代码：Code as Policies、ProgPrompt 提示语言模型写调用感知与控制 API 的代码；VoxPoser 写组合空间价值图的代码。后续工作加入执行反馈、重复生成和技能发现。PyRUA-Lean 按回合逐格写代码，Skill2Real 在每个决策阶段用冻结技能记忆组新程序。作者称这些系统在运行时由模型写程序，状态来自检测器或 SAM。
• 离线一个程序、状态在代码外：RHO 与 EmbodiedSWE 由 coding agent 离线写一个程序。作者称 RHO 的状态来自 SAM 与 Molmo，EmbodiedSWE 的求解器读仿真器 oracle；这些感知模型是黑盒，不确定性不由代码控制。COAP 改为自己测量状态，测错就改测量代码。

代码智能体与基准

• 代码作为接口：CodeAct 把可执行代码当作动作空间；另有工作把工具暴露为代码 API。Voyager 通过交互增长代码技能库；软件智能体靠测试与 diff 做长程仓库任务。作者称这些环境以文件、测试结果或游戏 API 显式提供状态，机器人则必须从传感器测量。
• 机器人 RSI：RoboRSI 用 manager、planner、engineer、reviewer 和 no-regression gate 做回路。作者称其执行时仍由 VLM 决策，通过门的改动只是引导黑盒，测到的行为不一定是运行时行为。
• 基准：LIBERO 测终身学习中的知识迁移；RoboTwin 2.0 生成域随机化的双手任务；RoboCasa365 扩展家庭仿真。RoboDojo 在同一协议中覆盖记忆、精度、开放指令、泛化与长时程操作。

基线与基准：实验对照官方 RoboDojo leaderboard 上不低于 π0.5 的 23 个条目，分成 Agent Harness、World Action Model 与 VLA（Table 2）。评测基准是 RoboDojo 的 42 个双手任务。

作者把 COAP 放在 Figure 2 的第三格：一个程序、状态由代码测量、跨回合复用。作者称代码足够稳健且跨回合适用时，运行时不需要 VLM 或 VLA。

把机器人与环境实现为 Embodied Turing Machine：代码变量保存状态，源代码充当规则。共享库 Code-Only-as-Policy（COAP） 在运行时冻结，由 coding agent 离线改进（Figure 3）。开发不使用基准测试集。

观测、状态与转移

• 观测：每步 o_t 含指令、三路 RGB（头部与两腕）、关节角、末端位姿和夹爪指令回声。
• 三类状态：环境状态记物体位姿、尺寸、类别及空间关系，并记测量的误差、来源与时间；机器人状态记各臂关节角、末端位姿、夹爪开度及可达位姿。二者构成纸带。任务状态记当前阶段、物体所分配的手臂、重试次数，以及任务必须记住的信息（如每个杯子下的颜色）；它对应图灵机内部状态，不属于纸带。各任务中三部分形式相同。
• 更新：机器人状态每步来自本体感觉；环境状态由感知层库测量；任务代码在执行中更新任务状态。
• 转移：θ 定义 (x_t+1, a_t) = F_θ(x_t, o_t)，a_t 是下一段轨迹。运行时 θ 冻结，只有 x_t 变化，所以一个程序跑该任务的每个布局，包括留出的测试布局。

用代码测量环境

• 候选物体：感知是基于 NumPy 与 OpenCV 的普通代码。每帧用测得关节角把机器人网格投影进图像并遮住其像素；与当前桌面颜色不同的像素形成候选区域，下沿落在桌面上的连通域成为物体候选。
• 位姿拟合：边界像素的射线与桌面平面相交，得到桌面上的位置（式 2）。再把该类物体的已知三维形状放到该位置附近，搜索位置与偏航，保留与观测区域重叠最大的拟合。
• 常数与状态：相机模型、机器人网格、物体形状和桌高随基准发布，回合间不变，是规则中的常数。哪些物体在、在何处，则每回合从图像测量。
• 保持与重测：测量得到类别、位置、偏航、尺寸和置信度，写入回合级 WorldState。被手臂遮挡的物体保留上次位姿。需要毫米级精度的任务在最终接近前用腕部相机重测。

跨任务共享一个库

• 分层：任务都操作同一形式的状态，依赖向下。任务程序规定子目标顺序、任务特有决策和恢复条件；下层完成抓取、搬运、放置、推动、倾倒，以及感知与运动。一次 transfer 会展开为候选生成、逆运动学与碰撞过滤、抓前重测、接近、闭合、短抬与保持检查、搬运、放置、释放和最终核验。
• 三种扩展：组合已有模块；继承已有任务并只覆盖一条决策；给共享函数加默认关闭的参数。例如 lift_dir 允许斜向抬起，默认仍是垂直上抬（Code Example 2）。
• 兼容：对不传入新参数的任务，扩展前后在单元测试夹具上的执行轨迹必须相同（式 3）。作者称旧任务因此按构造保持原行为。§3.3 把跨任务共享写成 83% 的行，并指向 §4.3.3。

离线回溯与验收

• 谁写代码：Claude Opus 5.5 coding agent 编写库和每个任务的全部代码，自己跑测试、评估并调试，回路中无人工。引言称该编码智能体为 Opus 5.5 Max，并规定不得为单个回合写 hack、测试时不得使用 oracle 状态。
• 分支：第 k 轮已接受代码为 θ_k。每个 agent 在自己的 git worktree 中查看失败开发运行的记录状态，定位有问题的变量或规则，提出 diff。各分支是完整可运行代码，可在相同条件下并行评估。
• 仿真前检查：任务代码对数值场景执行，确认每阶段到达目标状态；每个路点检查逆运动学解与碰撞。通过后再在验证回合上并行评估。
• 验收：调试与选择分开。agent 在自定开发集上看视频，并把测量状态与仿真器真值比较；选择比较验证划分上的成功次数。接受条件为 J_q(θ_k+Δ; V_q) ≥ J_q(θ_k; V_q) + ε_q，J_q 是任务 q 的成功次数，ε_q 是高于重跑噪声的余量。论文未给出 ε_q 的数值。达到则成为下一轮基线，否则不合并。作者称式 3 保护未被针对的任务，该规则保证被针对任务改进，因此接受的步骤不降。

实验设置

• 基准：RoboDojo 的 42 个双手任务，分 Memory（6）、Precision（8）、Open instruction following（8）、Generalization（12）、Long-Horizon（8）。每任务三个 seed，每个 seed 50 个布局。Generalization 中一半布局随机化：新物体实例、新房间与桌面外观、最多 20 个干扰物。
• 输入：仅三路 RGB、本体感觉（关节角、末端位姿、夹爪指令回声）和语言指令。测试时无深度、无分割、无模型服务。开发阶段可用仿真器真值改进感知，测试时不用 oracle 状态。
• 代码来源：引言中的 Opus 5.5 Max、§3.4 中的 Claude Opus 5.5 coding agent 离线写代码；开发不使用测试集。调试在 agent 自定的开发集上进行。
• 基线：官方 leaderboard 上不低于 π0.5 的 23 个条目（Table 2），分 Agent Harness、World Action Model（WAM）和 VLA。§4.3 称各类别对比使用该类别总成绩最高的条目。基准没有的测量，作者改引先前工作的数字。
• 指标与评审：SR 是整项任务成功的回合占比（%）；Score 是基准的 progress score。数字由官方 evaluation client、judges 和 summary script 产生。论文未说明 judges 是哪个模型或是否人工，也未报告与人工的一致性。
• 未写明的量：论文未报告 RSI 轮数、ε_q 的取值，以及编码智能体的调用次数。

主结果

据 Table 2。下表只列 COAP、两个 Agent Harness、各类总成绩最高的 WAM 与 VLA、一个较低的 WAM，以及总 SR 最低的 π0.5。Long-Horizon 与 Score 放在表后。

表格较宽，可左右滑动

方法	Memory	Precision	Open	Generalization	总SR
COAP	89.9	75.1	64.1	65.7	70.24
PhysicalRSI	46.6	32.5	24.9	15.6	31.38
GPT-6 Astra	38.7	4.0	31.0	30.5	22.48
Awomo-0.5	41.2	33.5	22.9	23.8	29.64
Simate-beta	33.0	26.9	8.5	27.9	27.96
OpenWAM-α	9.1	9.2	1.1	14.8	11.92
π0.5	4.7	5.5	1.7	8.2	6.93

• 作者的总括：作者称 COAP 总成功率为 70.24%，比当时 SOTA（31.38%）高 38.9 个百分点；摘要与结论写作 38.9% above。Table 2 的 vs. best 行是总 SR +38.86、Score +39.18；COAP 的 Score 为 75.45。作者还称比最强 WAM（29.64%）和最强 VLA（27.96%）高出 40 个百分点以上。
• 分维：作者称五维成功率都最高。vs. best 为 Memory +39.6、Precision +41.6、Open +33.1、Generalization +35.2、Long-Horizon +13.0。Long-Horizon 上 COAP 为 56.4。Generalization 为 65.7%，其中标准布局 77.3%、随机布局 54.1%；Open 为 64.1%。作者称边际最小的是 Long-Horizon。
• 表的范围：省略 VPP2-Preview、Liber-0 Preview、Liber-0 Lite、InternW0-Δ、ME-Brain-1.0、Rex-M1 Preview、DM0.5、GalaxeaVLA (G0.5)、Xiaomi-Robotics-1、Meituan-Robotics-0、SimpleMemVLA、Hy-Embodied-0.5-VLA、KinRT、Spatial Forcing、VLAct、StarVLA-PI_v3、InternVLA-A1.5。Figure 5 的 90%、47%、33% 与 75%、33%、27% 是对类别总成绩最高条目的取整，不是该列最高基线；Table 2 中 Memory 列有 50.3（VPP2-Preview）。

显式状态与在线执行

• 测了什么：相对 §4.3 所说的类别总成绩最高条目，比较状态是否写成变量、失败能否回溯，以及在线计算（Figure 5、Figure 6、附录 Table 3）。
• 结果：作者称 Memory 上 COAP 为 90%、Agent Harness 为 47%、VLA 为 33%；Precision 上为 75%、33%、27%。同一程序在测量状态上成功 63%、在 oracle 状态上成功 83%，作者称每修好一项测量就缩小这一差距。出错回合中，程序自己发现问题的占 76%，用新方法重试的占 34%。控制步中位时间 0.3 ms；一回合计算量为 VLA 的 0.8–2.4%、Agent Harness 的不到 0.1%。附录称模型侧是按已报告规模的估计，不是实测；Figure 6 的 FLOP 刻度在文本转换中上标丢失，这里不引用。
• 作者解读：作者认为显式变量使依赖记忆或精确测量的任务更容易处理；状态被跟踪后，失败可以回到上次检查点并用另一种抓取重试。附录 Table 3 把出错回合分成：重试后成功 12%、重试后失败 22%、发现并报告 42%、触及步数上限 1%、未报告 22%。

失败类型

• 分类：把 Table 2 运行中的失败回合归到能避免该失败的最小改动（Figure 11、§5.2）。感知错误 35%，接触错误 27%，逻辑不完整 29%，代码设计差 8%。作者称状态测量的限度占 62%，代码逻辑的限度占 37%。
• 例子：随机场景中飞镖盘被认成耳机；夹爪夹住衣摆后软布滑出；推一次即停，尽管检查发现方块仍偏转；固定尺寸阈值滤掉小手表。
• 作者解读：作者称上界由状态表示是否准确、全面，以及代码是否察觉失败并改用另一种方法决定。感知误差与只有 RGB 输入有关；可变形物体的接触表示粗。

库扩展与并行分支

• 复用：作者称新任务所运行代码的 83% 来自库、17% 是任务代码（Figure 7）。抓取按方式而不是按物体来写（Figure 8）。附录 Table 7：任务程序 23.5k 行、物体族 28.5k、操作 5.4k、感知 5.3k、运动 3.3k；感知与运动被 40 个任务程序全部使用。
• 从零加任务：库冻结后，无程序的新任务在 15 小时内平均成功 47%，无演示、无训练；Figure 7 的基线线作者标为 schematic。同批任务上，最强 VLA 在演示上训练后为 4.7%。作者引 OpenVLA：每任务在 8 张 A100 上微调 5–15 小时。store_tools_in_toolbox 从未得到成功程序。
• 分支搜索：作者称单次改动很少有帮助；分支越多，可接受改动更常出现、增益更大、墙钟更早，GPU 时间更多（Figure 10）。两个及以上变体的决策，五例中有四例找到可接受改动。接受线是相对父程序在 30 个回合中至少多成功 4 个。图中标注 8 个分支同时跑、round 1 约 1.7 h，并行三轮约 5 h，顺序 15 次评估约 26 h。百分比与分支数 k 的列对应在文本转换后对不齐，不逐格引用。

其他消融与分析

• 按步数上限（附录 Table 4，表内未点名 Agent Harness 与 VLA）：200–500 步（12 任务）COAP 78.1%、Agent Harness 47.3%、VLA 21.9%、GPT-as-policy 26.5%；550–800（15）为 78.4%、30.6%、38.0%、26.9%；900–1900（15）为 52.0%、13.2%、22.1%、14.8%。
• 自身代码未改的旧任务，同一布局上从 78.4% 到 79.9%（Cochran–Mantel–Haenszel 检验 p=0.16；作者称没有任务显著变化）。含后来清理的任务则从 80.0% 到 81.4%。
• 有程序的 40 个任务：标准布局验证 76.7%、测试 74.9%；随机布局验证 55.2%、测试 52.8%。库冻结后逐次合并，总成功率从 66.5% 到 70.24%。最忙时 12 个任务并行，用时为顺序的 17%。
• 附录 Table 6 的验证成功率：make_toast 在合并时为 50 再到 77；hang_mugs 为 7、50、57；sweep_blocks 为 0、60、50；fill_pen_holder 为 0、20、27。
• Table 9：plug_in_charger 与 store_tools_in_toolbox 无程序，SR 为 0.0，Score 栏为“–”。organize_table 的 SR 为 0.0、Score 为 51.5；pack_objects_into_box 的 SR 为 0.7。cover_blocks、press_by_number、swap_T、swap_blocks、pour_by_language 的 SR 为 100.0。
• 作者引用先前工作，不是本文实验：π0.5 在五个真实任务上顺序微调后，平均分从 86.9 降到 31.4。

作者指出的局限与后续方向

• 仅仿真（§5.4）：全部结果在仿真中。感知依赖基准公开的相机参数、机器人网格和物体尺寸；作者称这是主要限制。真机上这些量要重测，夹持宽度、搬运速度等接触参数要再调。
• 离线开发成本（§5.4）：在线执行快，但每次迭代都要评估和修改。作者对比可直接当策略使用的 GPT，称 COAP 对每个新任务都有开发成本。
• 泛化（§5.4）：作者称代码的泛化能力可能有限，目前只在 70.24% 的回合成功。部分差距来自不完整逻辑和差的代码设计，例如只在编写情形下成立的硬编码值。程序在验证布局上开发，从未在测试布局上开发，因此未见过的布局成功率更低是预期之内，尤其是带新物体、新房间和干扰物的随机布局（54.1%，其标准布局为 77.3%）。标准布局上，测试 74.9% 接近验证 76.7%。
• 编码能力与回路（§5.2）：作者称当前编码能力有限，离线 RSI 回路需要进一步优化，以便写出更好的代码。
• 上界的两个因素（§5.3）：状态表示得是否准确、全面，以及代码逻辑是否稳健，例如是否察觉失败并重试。感知误差与只有 RGB 有关；可变形或复杂物体的接触难以表示。
• 结论中的判断（§6）：作者称随着编码智能体变强，这一上界会上升；并认为 COAP 可以成为 VLA、Agent-as-Policy 和 Harness VLA 的数据引擎。

实验覆盖范围

• 成功率来自 RoboDojo 的 42 个双手仿真任务，五个维度，每任务三个 seed、每个 seed 50 个布局；Generalization 的一半布局做了随机化（§4.1）。
• 对照是官方 leaderboard 中不低于 π0.5 的 23 个条目，分成 Agent Harness、WAM 和 VLA（Table 2）。测试输入是三路 RGB、本体感觉和指令，无深度、分割或在线模型。
• 代码由 Claude Opus 5.5 coding agent 离线编写；开发集由 agent 自定，选择用验证划分，开发不使用测试集（§3.4、§4.1）。42 个任务中 40 个有程序（附录）。
• 失败分析覆盖 Table 2 运行中的失败回合，按最小改动分成四类，并给出官方视频中的例子（Figure 11）。附录还按步数上限、恢复结果、新任务时间线和逐次合并报告了数字。
• 论文写明数字来自官方 evaluation client、judges 和 summary script；未报告 judges 是哪个模型、ε_q 的取值、RSI 轮数、编码智能体调用次数，以及评审与人工的一致性。§5.5 讨论用 COAP 轨迹训练其他策略，未报告训练后的成功率。Figure 7 的基线线和右侧能力增长标为 schematic；Figure 6 的模型计算量是按已报告规模的估计，不是实测。

作者把机器人连同环境看成 Embodied Turing Machine，并用 Code-Only-as-Policy（COAP） 把策略写成冻结代码：状态由代码测量，动作由代码计算，测试时不调用 VLM 或 VLA。

• 问题：VLA 把状态留在权重里，Agent Harness 在运行时查询模型。作者认为，若环境位姿和机器人本体感觉能写进变量，决策就可以是可检查的规则，并且同一程序能跑一个任务的不同布局。
• 做法：共享库分层承担感知、运动和抓放；任务程序只写顺序、特有决策和恢复条件。新任务可以组合、继承或加默认关闭的参数。Claude Opus 5.5 在离线回路中根据失败记录改代码，只合并验证集上超过重跑噪声余量的 diff，且不看测试集、测试时不用 oracle。
• 主结果：RoboDojo 42 个双手任务上，总成功率 70.24%，progress score 75.45（Table 2）。作者称这比当时 SOTA 的 31.38% 高 38.9 个百分点；表中 vs. best 为 +38.86。五维都高于该列最高基线，Memory 为 89.9%，Precision 为 75.1%，Long-Horizon 的差距最小（56.4%，vs. best +13.0）。随机布局为 54.1%，低于 Generalization 标准布局的 77.3%。
• 其余观察：新任务所运行代码的 83% 来自库。出错回合中程序自己发现的占 76%。失败里，作者把 62% 归到状态测量、37% 归到代码逻辑。两个任务没有程序，SR 为 0.0。
• 作者的结论：作者把 COAP 视为不同于 VLA、世界动作模型和 Agent Harness 的方向，并称显式状态、执行可控和库可扩展使它适合 RSI。上界仍由状态表示和代码稳健程度决定；作者认为编码智能体变强后上界会上升，轨迹也可供给其他策略做训练数据。