50美元→千条轨迹，不用真机数据学会拆台灯
论文题目：
EmbodiedSWE: Coding Agents for Long Horizon Dexterous Robotics
arxiv：
2609.27308
Github：
EmbodiedSWE/EmbodiedSWE

这项工作的出发点是一个两层追问：编码智能体在物理世界能走多远？它的发现能否被蒸馏成VLA这样快的System 1策略？为了回答第一层，作者构建了EmbodiedSWE-Bench，让前沿编码智能体在接触丰富的精密操作、可形变物体、液体、切割、人形行走操作等复杂日常任务上直接写代码解题。结果超出预期——智能体几乎不需人工干预，就能检查场景、调试失败、中途换策略，自主攻克相当广泛的任务。

但解题只是开始：机器人每行动一次就跑一遍编码智能体，每次成功解题约50美元，昂贵、缓慢，也难以在真实世界安全部署。真正的转折在于一个关键观察——编码智能体写出的程序往往不是一次性轨迹，而是反馈控制器，天然可以在相近情境中复用。

基于这一点，作者构建了智能体在环的数据引擎EmbodiedSWE-Gen，把智能体驱动的多样化与经典轨迹增广结合，将一次成功解题扩展为数千条多样轨迹，大幅摊薄每条数据的成本。这正对机器人领域最大的瓶颈：如果这条路能scale，编码智能体就有望以可接受的成本生成互联网规模的机器人经验。

数据是否真有用？用生成的轨迹微调SmolVLA后，性能随演示数量稳定提升，且智能体辅助的多样化在泛化上明显优于纯脚本流水线。由此浮现的图景颇具想象力：一个GPT式的"大脑"负责推理与发现解法，一个快速的VLA或RL"小脑"负责在物理世界行动。

实验表明，仅用500条纯仿真生成的演示微调的π0.5-DROID，在真机上完成了四阶段拆台灯任务，而预训练模型在同一任务上成功率为零。这条"编码智能体解题→解法变监督→真机落地"的链路，为绕过遥操作瓶颈提供了一条现实可行的路径。

科研 人工智能 机器人 具身智能
编码智能体 vla sim2real
benchmark 数据引擎