外观
新闻X今天
斯坦福RoboArchitect：编码模型自动重写控制代码成功率升至43%
本文由 AI 根据公开内容整理，可能有误，请以原文为准：New Stanford paper shows that robot control code no longer needs hand-building for each new robot, because a coding model can diagnose fa...（X：Rohan Paul (@rohanpaul_ai)（via AIHOT））
核心内容
斯坦福大学发布RoboArchitect研究，提出一种基于编码模型的机器人控制代码自动生成与修复框架。该方法通过分析机器人试跑记录诊断故障，在最多5轮迭代中自动重写控制代码，全程无需更新模型权重。实验数据显示，单次完整运行的平均成本低于150美元，显著降低了传统人工调试或全量微调的经济门槛。
在性能验证方面，RoboArchitect使机器人在未见场景上的平均成功率从裸策略的9.7%跃升至43.3%，未见任务成功率从12.7%增至40.2%。在VLABench基准测试中，加装该模块的通用策略击败了同款微调策略，证明了推理时代码生成的有效性。需注意，目前所有测试均在仿真环境中完成，尚未披露真机部署数据。
关键看点
- 零权重更新：仅通过编码模型审查日志并重写代码，最多迭代5轮即可修复故障，避免昂贵的模型微调过程
- 泛化能力跃升：未见场景平均成功率由9.7%提升至43.3%，未见任务成功率由12.7%提升至40.2%
- 低成本运行：单次完整代码生成与诊断流程的平均计算成本控制在150美元以内，具备工程落地经济性
- 超越微调基线：在VLABench仿真基准中，搭载代码重写模块的通用策略性能优于经过专门微调的同款模型
工程与产业观察
该工作验证了“推理时编程”作为具身智能适配新任务的高效路径。相比端到端微调，利用LLM生成可解释控制代码能以更低成本解决长尾失败问题。虽限于仿真验证，但为降低真机部署中的数据依赖与调试周期提供了重要技术参照，提示行业关注代码生成在Sim-to-Real中的桥梁价值。
线索来源：AIHOT
延伸选型与深度对比
基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。
宇树 G1
Franka FR3来源
本页事实对应的公开页面，以原文为准。