一个编码 Agent 花了 79 分钟，让仿真机械臂完成咖啡制作；接下来的时间，它没有去做另一项任务，而是继续加固这段解法。9 月 23 日提交的预印本 EmbodiedSWE 把这个看似低效的过程变成了机器人数据管线的起点：先让 Agent 写出能通过物理验证的程序，再把一个解法扩成大量轨迹，用来微调视觉—语言—动作模型（VLA）。
这项工作的价值不只是“编码 Agent 也会控制机器人”。更关键的变化是，Agent 不必留在实时控制回路里；它可以在仿真中反复试错，把昂贵的推理浓缩成可批量执行、可复查的代码，再由轻量策略在部署时运行。代价也随之转移：团队少采一部分遥操作演示，却必须证明仿真、评分器和扩增出来的轨迹没有把单个解法的偏差复制成训练数据。
Agent 交付的是一段程序，不是通用机器人策略
EmbodiedSWE-Bench 包含 28 项任务，覆盖装配、收纳、谜题、柔性物体或液体、切割和移动操作，最长任务持续约半小时。Agent 拿到任务说明、场景代码、完整仿真状态和通用控制器，在隔离容器里迭代 Python 程序，最终交付一个 solve(env) 函数。每次运行用一张 RTX 4090，预算为 4 小时；提交物会在独立环境中离线评分，直接改物体状态等接口被关闭。
六个模型各在每项任务上运行一次，成功率从 11% 到 82% 不等。最强模型的 82% 说明程序搜索在这批任务上已经相当有效，却不是跨种子稳定性，也不代表模型学会了一个可直接迁移的机器人策略。论文还明确记录了三类失败：不看画面而误判进度、在错误分解上反复调参，以及绕开机器人去攻击评分器。所有任务都曾由有领域经验的人配合编码模型完成，因此这项基准衡量的是固定预算内的自主搜索能力，不是任务本身是否可解。
这一步延续了近期“代码即策略”的路线，但把目标推得更远。CaP-X 发现，编码 Agent 的操控表现会随着人工设计抽象被移除而下降；RHO 则让 Agent 在训练阶段搜索可解释的多文件策略仓库，部署时单次执行。EmbodiedSWE 同样把慢速试错留在部署前，新增的问题是：一段高度贴合任务实例的程序，能不能继续成为学习型策略的老师。
五层扩增把一次成功改造成数据工厂
EmbodiedSWE-Gen 从一段已验证解法出发，沿五个层级扩增。Agent 改场景里的物体、工具和布局，改步骤顺序、抓取点与恢复分支，也从任务中段构造新的起始状态；随后管线加入动作扰动和质量、摩擦等物理随机化，再对同一物理轨迹更换光照、纹理、背景和相机视角。
这与从少量人类轨迹出发的自动扩增不同。SkillMimicGen 用 60 条人类演示生成了 18 个任务变体上的 2.4 万余条演示；EmbodiedSWE 试图把起始种子也换成 Agent 写出的程序。程序能暴露阶段边界、成功条件和可调参数，让系统不只移动物体初始位置，还能改变策略与中间状态覆盖。
规模化并不等于免费。论文按首方价表统计，各模型“成功运行”的平均 API 花费约为每任务 13 至 73 美元，外加 GPU；各个多样化阶段又分别给到最长 12 小时预算。真正降低的是摊到后续轨迹上的 Agent 成本，而不是首次解题成本。首发代码在目标日期前已公开，包含 benchmark、评测、数据引擎、VLA 和真机到仿真模块，但复现仍需要 Linux、NVIDIA GPU、Isaac Sim/Lab 以及约 3.4 GB 任务资源。
验证器决定了哪些“成功”可以进入训练集
扩增后的轨迹不会因仿真跑完就被收下。每条记录先过任务评分器，再以相同初始状态、物理参数和控制器设置做开环动作重放；重放不能再次成功，就被剔除。场景、策略和阶段变体还要避免字节级重复，并至少贡献一条可重放的成功轨迹。
这套门槛解释了 EmbodiedSWE 的真正工程贡献：编码 Agent 负责提出变化，确定性管线负责批量执行，评分器负责筛选。它也划定了证据边界。部分任务使用仿真状态评分，部分使用人工量表配合视觉语言模型；接触力学、成功条件和允许变化的范围都由作者设计。验证器能阻止已知作弊和不可重放轨迹，却不能证明仿真里的“成功”覆盖了现实世界中尚未建模的故障。
数据规模实验也要按口径阅读。论文正文声明在六项任务上，把每项演示从 10 条增到 400 条后，SmolVLA 的平均成功率从 18% 升至 69%。同一版附录表实际列出八项任务；若把八行全部等权平均，结果约为 14% 和 66%。趋势没有改变，但均值会随纳入任务集合变化。更有说服力的对照来自分布外测试：在相同的每任务 1000 条训练轨迹下，加入 Agent 场景、策略和阶段扩增后，六项任务的平均量表得分由脚本随机化的 0.066 升至 0.233，且每项都更高。
真机完成两次拆灯，还不是通用 sim-to-real
团队最后让 Opus 5 为拆灯任务写逆运动学解法，生成 500 条成功仿真轨迹，只用这些轨迹微调预训练的 π0.5-DROID。真机评测共 10 次：抓住灯罩成功 10 次，放下灯罩 8 次，继续抓住灯泡 3 次，完整旋出并取下灯泡 2 次；未微调基线在各阶段都是 0。
“没有真机演示”不等于“没有真机适配”。作者用实验室照片重建 3D Gaussian Splatting 场景，测量桌面，微调相机、材质与局部重建误差，并把仿真灯具 3D 打印出来；训练时还围绕真实标定范围做外观与相机扰动。部署的 1.4 万步 checkpoint 也是依据真机表现，从 2 万步训练过程里选出的。这个实验因此证明的是：在一个经过现实校准的任务上，纯仿真演示可以产生非零的长程真机成功率；它没有证明同一策略能搬到新房间、新物体或新任务。
EmbodiedSWE 把编码 Agent 从“在线控制器”改造成了离线数据工程师，这条路线值得关注，因为慢模型只需为高价值解法付一次推理成本，后续轨迹可以并行生成。但下一步决定它能否替代一部分遥操作的，不是再增加一个仿真任务，而是按相同的人时、算力和成功标准，与人类演示扩增正面对比，并在多个真机任务上预先固定 checkpoint。只有那时，行业才能判断这里被规模化的究竟是机器人能力，还是一套越来越精细的仿真与验证工程。
