南洋理工团队用百年图灵机概念，机器人任务成功率做到70.24%

2026年的机器人竞赛场上出了件挺让人意外的事。

榜单前列当时站着一批名号响亮的模型，GPT-6 Astra、π0.5，以及各种打着"世界动作模型"旗号的新选手。它们的参数动辄几十亿，训练时喂进大量真实机器人数据，被视作当前机器人智能的顶尖代表。可到了RoboDojo这个测试里，它们中最好的也只拿到31.38%的任务成功率。

结果几个来自南洋理工大学的研究者站出来说，我们不用任何AI模型，就写代码，成功率能做到70.24%。

第二名的成绩，差不多被甩开了一倍有余。更耐人寻味的是，他们拿出来的"武器"并非什么新式神经网络架构，而是图灵机——一个快一百年前就存在的老概念。

**这篇论文要说的事情听起来有点反常识：在机器人领域，最前沿的解法可能不是更聪明的AI，而是回到最朴素的代码逻辑。**

这事值得掰开揉碎讲讲。

### 机器人智能的三条路，走到了同一个坑里

先说说现在主流的机器人控制到底是怎么工作的。

第一种叫VLA

VLA（视觉语言动作模型）：这类神经网络模型做的事，是把摄像头拍到的画面连同语言指令一起，直接映射为机器人的动作指令，π0、OpenVLA都属于此列。

VLA的思路并不绕弯：大量"看到什么画面、该做什么动作"的数据喂进去，让它自行学出一套映射关系。这套关系藏在模型几十亿个参数当中，某个具体决定究竟怎么来的，谁也讲不明白。

另一条路叫Agent Harness，即智能体框架。做法是让一个大语言模型（比如GPT）在任务执行途中反复自问"现在该干什么？"，模型吐出文字指令，再转成机器人动作。这种方案因为有"推理"环节，看上去更灵活，可每做一个决定都得调一次大模型，慢且贵。

还有第三种思路，过去几年在机器人代码圈里低调流行，叫"用模型写代码当策略"。Code as Policies这类工作就是例子：语言模型当场写一段代码，拿去控制机器人完成任务。限制也很关键——代码是临场生成的，这一局用完就丢，下一局任务重新开始，模型又得从零现编。

三条路方向各异，却有一个共同之处：**状态，也就是机器人需要掌握的"世界此刻是什么样子"，要么埋在模型权重里无从查看，要么记在一堆文字记忆里靠不住，要么就交由外部感知模型临时给出一个结果。**

这就是论文作者觉得别扭的地方。他们提出一个很朴素的类比：机器人和它所在的环境，其实就是一台图灵机。

图灵机：计算机科学中最基础的一种抽象计算模型，1936年由阿兰·图灵提出。它由一条存符号的"纸带"加上一套读写规则构成，规则保持不变，纸带内容一变，同一套规则就能处理不同输入。

图灵当年那句话用在这里很贴切："发明一台单一的机器，用来计算任何可计算的序列是可能的。"规则不动，带子会动，图灵机的秘密全在这里。对应到机器人身上，这台"图灵机"的纸带就是机器人自身与周边环境的状态——桌上的碗在哪个位置、机械臂关节转到多少度，而规则则是驱使它行动的策略。

只要状态能被准确记下来，规则又足够完备，理论上压根不用一个会"思考"的模型实时插手，纯代码就能把整个任务跑完。这正是论文的核心主张，名字叫Code-Only-as-Policy，简称COAP。

### 想象一下，你去一个完全陌生的厨房做饭

COAP这个设计思路，其实可以用一个很具体的场景来理解。

设想你去一个陌生人家里帮忙做菜。要是完全不记路、不记东西搁在哪儿，每回转身都得重新"看一眼环境再决定下一步"，做菜效率会很低，也容易出错——比如扭头看见一把刀，却忘了盐已经放过，又撒了一遍。

**换一种做法：进了厨房先花点时间，把每样东西的位置记成一张清单，盐在左边第二个抽屉，油在灶台右侧，之后照着清单上的记录一步步操作，不必每步都重新观察、重新判断。**

COAP与VLA/Agent Harness的根本差别就在这里。前者维护的是一份精确、持久、看得见的"清单"（代码变量里的状态），后者每走一步都得靠"感觉"（模型推理）重新判一次。

不维护这份清单会怎样？论文给出了具体数字。RoboDojo的记忆类任务里（比如记住某个颜色在哪个杯子底下），COAP成功率89.9%，最强的Agent Harness方案只有46.6%，VLA方案更低，仅33%左右。差了将近一倍，原因不复杂：没有"清单"的系统，看一眼忘一眼，物体一旦被遮挡，位置信息就丢了。

状态的管理要分门别类来做。

那这份“清单”在COAP里究竟是怎么维护的？论文把它拆成了三块。

第一块是环境状态，负责记下各个物体的位置、尺寸和类别，还有它们彼此的空间关系，比如A摆在B上面。每条记录还带一个误差值、一个来源和一个时间戳，用来说明这条信息是何时、以何种方式测到的，以及有没有失效。

第二块是机器人状态，直接取自机器人自己的传感器，涵盖关节角度、末端执行器所处位置、夹爪张开合拢的程度。

把这两块合到一起，就相当于图灵机里那条“纸带”。

第三块叫任务状态，它不在纸带上，更像图灵机内部那个判断“眼下走到哪一步”的寄存器。它记的内容包括任务执行到第几步、每个物体分给了哪只手臂、重试过几回。

三类状态各有各的更新来源：机器人状态每一步都从传感器直接读；环境状态由专门编写的感知代码从摄像头画面中测量得到；任务状态则是任务程序自己在运行过程中更新的。

感知*：就是从摄像头拍到的RGB图像里辨认出物体的位置、朝向、大小等信息，这里走的是传统计算机视觉路线（基于NumPy和OpenCV这类工具库），并非训练出来的黑箱神经网络。

有个细节值得单独说：COAP的感知代码是“白盒”的，透明可查。具体做法是把机器人的三维网格模型投影到摄像头画面中，先遮掉属于机器人自身的像素，剩下那些与桌面颜色不一致的区域就是候选物体。接着用一条简单的几何公式，把图像上的像素点换算成真实世界的三维坐标。这条公式说白了就是解一条从摄像头出发、穿过该像素的射线，看它与桌面平面交在哪里。

也就是说，某次识别出了错，比如把飞镖盘认成了耳机（论文里真发生过这个案例），开发者可以顺着“射线交点”这套逻辑一步步往回查，定位到出问题的那一环，再直接改代码修掉。VLA或者Agent Harness做不到这一点，因为那些系统的判断过程根本不可见。

一套代码库，几十个任务反复调用。

COAP另一个关键设计在于：它不为每个任务单独写一套代码，而是维护一个共享代码库，供不同任务调用。

论文给了一个具体数字：新任务跑起来时，83%的代码行数来自这个共享库，任务专属逻辑只占17%。

这个比例靠什么实现？论文的解释是代码做了分层：任务程序在最上层，只管“做什么”，比如先做A再做B；往下一层是操作物体的具体方法，比如抓取、搬运、放置；再往下是感知和运动控制层，负责测量、路径规划这类“怎么做”的细节。

拿抓取举例，代码不是按“这是杯子”还是“这是积木”分别写的，而是按抓取方式来写：从顶部抓、抓边缘、抓把手、抓碗沿。这样一来，一个新出现、从没见过的物体，只要形状对得上某种已有的抓取方式，就能直接套用现成的抓取逻辑，不必从零写起。

论文还设计了一种“默认关闭参数”的机制，用来保证新功能不破坏老功能。比方说有个任务需要把抓起的物体斜着往上提，而不是垂直往上提，工程师就给抓取函数加了个新参数lift_dir，默认值仍是原来的垂直方向，只有传入了新参数的那个任务才会走新行为，其他调用这个函数的老任务完全不受影响。

这套机制背后有个数学表达：用B表示某个任务在某套代码和某组观测数据下的执行轨迹，要求对于没有主动传入新参数的任务i，加入新功能δ之后的执行轨迹必须与加入之前完全一致。说白了，新增功能只能当“选配”，不能变成“强制升级”。

**这种思路，很像一家大型软件公司维护一套底层基础库：新团队接手新项目，不用把轮子重新发明一遍，而是在已有的、经过千锤百炼的基础设施上，添一点自己的业务逻辑。**

要是没有这套共享库设计会怎样？每个任务都从零写代码，开发新任务所花的时间会线性甚至更糟地累积，而且老任务很可能因为新代码的改动而悄悄崩掉。论文专门测过：冻结库之后再开发新任务，老任务在相同场景下的成功率，开发前是78.4%，开发后是79.9%，统计检验显示没有显著下降（p值0.16）。换句话说，加新功能基本不会把旧的东西搞坏。

出了错怎么办，靠的是“倒带”。

执行过程中出问题在所难免，关键看系统怎么应对。

COAP的做法叫“回溯重试”（backtrack and re-attempt）。状态被完整记录在代码变量里，系统随时知道任务走到哪一步、上一次确认成功的状态长什么样。一旦某个检查没通过（比如抓取之后发现没抓稳），系统可以直接退回上一个确认有效的状态，换一种方法再试，而不是让错误一路累积到任务彻底失败。

论文统计了实际运行数据：在出问题的那些场景里，76%的情况下系统能自己察觉到出了问题；其中34%会立刻换个方法重新尝试，包括重新测量物体、换一个抓取角度之类的调整。

**这就像在高速公路上开车：如果导航系统压根不知道你走到哪个出口了，一旦错过路口，只能一路开到底再想办法；但导航实时知道你的精确位置，错过路口的那一刻就能立刻重新规划路线，代价小得多。**

那要是没有这套状态追踪和回溯机制呢？论文里放了一张很直观的对比图：没有检查机制的系统，只要一步失败，整个任务就当场终止。图上显示，任务步骤增加到30步时，这类系统的成功率会从接近100%一路掉到个位数；有回溯能力的系统，下滑速度则慢了1.7倍左右。任务越长，差距越明显。这也解释了为什么COAP在长时程任务（Long-Horizon）上的优势没那么夸张，只比第二名高13个百分点——长任务本身对哪种方法都更难，但即便如此它还是第一。

没有模型意味着什么

COAP被低估得最厉害的一点，恐怕是效率。

运行时完全不调用任何AI模型，一次控制决策在普通CPU上的中位耗时只有0.3毫秒。论文给出了和其他方案的算力对比：每局任务消耗的算力，COAP只有VLA方案的0.8%到2.4%，只有Agent Harness方案的0.03%左右。

差距为什么这么大？VLA每一步（或每个动作块）都得跑一次几十亿参数的神经网络前向计算；Agent Harness更夸张，隔一段时间就要调一次超大规模语言模型，还得带上不断变长的上下文文本。COAP运行时就是普通代码，该做什么早就想清楚、写进逻辑里了，不需要临场“思考”。

成本上的好处也很实际。调用大模型要花钱，算力成本、API费用都算，而COAP的代码一旦写好，之后每一局跑起来的成本几乎可以忽略不计。

代码也能“自我进化”

论文里最有意思的部分，可能是COAP的开发方式。整个代码库不是人工一行一行敲出来的，而是由AI编程助手（论文里用的是Claude Opus 5.5）在一个闭环流程里自己写、自己测、自己改。

这个过程被称为RSI。

RSI（递归自我改进）：这套开发思路是让系统反复审视自身表现、找出毛病、改动自己的运行逻辑，而且每改一次都得验证清楚是不是真比原来强。

论文设计的流程很讲究。编程助手先在自己定义的开发数据集上调试代码，通过看录像、对比测量状态和模拟器里的真实数据，找出问题出在哪儿；随后在一批独立的验证数据上评估修改有没有带来提升，只有提升幅度超过某个阈值（用来排除运行本身的随机噪声干扰）的改动才会被正式采纳。整个过程中测试数据和验证数据是分开的，开发阶段完全不碰最终要考核的测试集。

更妙的地方在于，每个候选修改方案本身就是能直接跑起来的完整代码，不用再训练；于是大量方案可以同时丢到不同“分支”上运行，并行比出谁的效果更好。论文把这一过程称为“广度优先搜索”（BFS）：在一个个决策点上（比如“杯子该怎么抓”），先铺开好几种可能做法（抓杯沿、抓把手、抓侧面……），让它们同时跑，选出表现最好的那个，再走向下一个决策点。

论文给了一组具体实验数据：每轮只试1个修改方案，被采纳的概率是17%左右；每轮并行试8个方案，采纳概率能冲到77%，预期获得的提升幅度也从2.5个百分点涨到12.4个百分点。代价是要更多并行算力，但换来的是更快拿到有效改进——单线测试需要大约20小时，并行测试只需要2.3小时左右。

**这个过程让我想起小区里修路。一条路出了问题，一次只能派一个工人去试一种修法，试错速度很慢；但要是能同时派八个工人，各自尝试不同的修补方案，当天晚上就能比较出哪种方案最耐用，第二天就全面推广。并行，本身就是效率的来源。**

这套方法到底跑赢了多少

设计思路说了这么多，该看实际成绩了。

RoboDojo这个基准测试专用于衡量机器人的通用操作能力，共含42个双臂协作任务，覆盖记忆、精度、开放指令理解、泛化能力、长时程操作五个维度；每个任务用三个随机种子各跑50次，最终结果统一由官方评测脚本给出，以免出现各家自说自话的情况。

COAP最终拿到70.24%的总体成功率，比排行榜上此前最好的方法（一个叫PhysicalRSI的智能体加VLA混合方案，31.38%）高出38.86个百分点；比最强的“世界动作模型”方案（29.64%）高出超过40个百分点，比最强的纯VLA方案（27.96%）也高出超过40个百分点。

拆开维度来看，情况更有看头。记忆类任务COAP拿下89.9%，高出第二名39.6个百分点；精度类任务拿到75.1%，领先第二名41.6个百分点。这两类任务恰恰最能说明“状态有没有被准确记住、测量够不够精确”的价值，差距也正好是最大的。泛化类任务包含新物体、新场景、新干扰物的随机化设置，COAP在此拿到65.7%，领先33.1到35.2个百分点。只有长时程任务的领先幅度最小，仅13个百分点，这与前面说的“任务越长、失败累积的风险越大”正好对得上。

| 维度 | COAP | 最强VLA | 最强世界模型 | 最强智能体框架 |

|---|---|---|---|---|

| 记忆 | **89.9%** | 33.0% | 41.2% | 46.6% |

| 精度 | **75.1%** | 26.9% | 33.5% | 32.5% |

| 开放指令 | **64.1%** | 8.5% | 22.9% | 24.9% |

| 泛化 **65.7%** | 27.9% | 23.8% | 15.6% || 长时程 **56.4%** | 43.4% | 26.8% | 37.3% || 总体成功率 **70.24%** | 27.96% | 29.64% | 31.38% |

表格里最抢眼的，是五个维度上COAP全都排在第一位，没有哪一项掉队，而不是某一项单独冒尖。学术圈的基准测试里，这种局面其实不常见。多数方法都有取舍，这类任务强、那类任务弱。能全面压住对手，说明这套设计思路碰到的可能是更靠底层的东西。

### 这套方法也不是万能的

论文对自家局限并不回避，错误分析那部分写得相当实在。

失败案例被研究者分成四类。占35%的第一类叫感知错误，场景一旦随机化（比如换了房间、换了桌面风格），某个物体就可能被认错。论文举的正是前文那个例子：随机化场景里，一个飞镖盘被当成了耳机。第二类叫接触错误，占27%，多发生在抓软性、会形变的物体时，比如夹爪夹住衬衫下摆，布料太软，半路滑脱了。第三类叫逻辑不完整，占29%，像推动积木的函数，自己的检查机制已经发现积木没转到位，却没有接着重试。第四类叫代码设计不够好，占8%，比如某个尺寸阈值被写死成常数，结果一个偏小的手表被错误过滤掉。

前两类被归为“状态表示的局限”，占62%；后两类归为“代码逻辑的局限”，占37%。论文把COAP能力的天花板直接点明：**状态测量得越准、代码逻辑写得越健壮，COAP能做到的上限就越高。反过来说，这个方法眼下的短板也正好卡在这两处。**

还有一点得说清楚：所有结果都出自仿真环境。到了真实世界，摄像头参数、机器人尺寸、物体大小这些COAP目前依赖的“已知常量”都要重新测量和标定，接触相关的参数（抓取力度、搬运速度之类）大概率也得重新调。这是论文自己承认的局限，不是外人臆测。

### 这篇论文站在谁的肩膀上，又会被谁接着往前推

COAP并非凭空冒出来的，它顺着好几条脉络往前走。

往回看，2023年的Code as Policies（发表在ICRA）算是“用代码当策略”这条路的早期代表，让语言模型现场写代码去调用感知和控制接口。但那套系统里，状态还是靠外部感知模型实时提供，代码也是每局重新生成，用完就扔。同年的VoxPoser做了类似尝试，让语言模型写代码来组合空间价值地图。这些工作证明了“代码可以当控制逻辑的载体”，可“状态怎么持久化、代码怎么跨任务复用”这两个核心问题都没解决，而COAP补上的恰好就是这块拼图。

往前看，论文提到的RHO和EmbodiedSWE是更接近COAP的尝试，让编程助手离线写出一整套程序，而不是现场生成。但状态来源依然依赖外部感知模型（比如SAM、Molmo），或者仿真器给的“上帝视角”数据，没能做到COAP这样自己测量、自己维护状态的闭环。论文作者明确把这个差异当作核心创新点来强调。

往更远看，机器人之外的领域也有类似思路在萌芽。2024年的CodeAct（发表于ICML）把可执行代码当作智能体的“动作空间”，而不只是输出文本；更早的Voyager让游戏智能体在与环境交互的过程中，持续积累一套可复用的代码技能库，这和COAP“共享库跨任务复用”的设计思路，其实是同一种哲学在不同场景下的体现。论文提到的RoboRSI（2026年的工作）也尝试用多智能体协作做机器人的递归自我改进，但执行阶段依然保留了一个VLM在做决策，黑箱问题没有根本解决，而这正是COAP想彻底绕开的坑。

把这几个线索并排放在一起，一个走向就浮出来了：**代码的角色正由“工具”转向“接口”，它不再只是替AI去调用外部功能，而是把决策本身接了过来。**比起某个单项性能数字，这个变化恐怕更该被盯住。

写在后面

读完这篇论文，我脑子里一直转的一个问题是：过去几年大家默认的方向都是“让模型更大、数据更多”，为什么很少有人认真问一句“状态能不能干脆写在代码里”这种看着有点返璞归真的问题？

论文中有个细节，我认为可以单独拿出来讲。作者写到，抓住碗沿快速搬运时碗会滑脱，他们的解决办法是补上一行代码，把这种抓法下的搬运速度压下来。一行代码，对应一个具体的物理失效情形。这种“点穴式”的修法，黑箱模型根本办不到——你不可能对一个几十亿参数的神经网络说“把你学到的某个权重微调一下”，只能重新灌数据、重新训练，再指望它这回总算学会了，同时别把别的任务弄坏。

这让我想到软件工程里一场由来已久的争论：规则引擎和机器学习，到底该选哪个。早些年做反欺诈的人大多为这事犯难过。规则引擎看得懂、调得动，出了故障能准确找到位置；机器学习管得宽，能挖出人没料到的规律，可它是个黑箱，一旦出错，很难讲清问题出在哪。这篇论文在某种程度上，等于在机器人领域把这道老题又提了一遍，给出的答案还挺出人意料：至少在眼下这个阶段，规则引擎（也就是精心写出来的代码）或许比黑箱模型更靠得住。

论文没有展开的一点是，这套办法放到真实世界里是否照样管用。仿真环境里，物体的三维模型、尺寸、摄像头参数全是已知且精确的，这正是COAP感知代码能跑得这么好的关键前提。真实世界中，这些参数都得现场测量，测量误差会怎样波及整个系统的稳定性，目前还没有答案，却很该继续追问。

Q&A

Q1：Code-Only-as-Policy（COAP）是什么？

A：COAP这条路子，是让机器人完全用代码干活，不依赖AI模型。它把机器人与环境当成一台图灵机，状态（物体位置、机器人姿态等）由代码变量记下来，决策交给代码逻辑，运行过程中不必调用任何神经网络模型。

Q2：COAP和VLA、Agent Harness相比效果怎么样？

在RoboDojo的42个双臂任务测试里，COAP的成功率达到70.24%。这一成绩比表现最好的智能体框架方案（31.38%）高出38.86个百分点，比最强的VLA方案（27.96%）高出超过40个百分点。记忆、精度、泛化等五个维度上，COAP也全部排在第一。

那COAP的代码库又是怎么来的？

靠AI编程助手（Claude Opus 5.5）自主完成。它在一个闭环流程里包办了写代码、调试、测试以及是否采纳修改的判断，全程没有人工介入。开发过程中，它会并行尝试多个修改方案，思路类似广度优先搜索，再挑出效果最好的那个合并进主代码库。