从代码沙箱走向物理现实！清华等提出 Physical Coding：HexaAnything 具身自进化智能体，真实双臂机器人破局

核心背景与行业痛点

随着 Devin、OpenHands 等软件代码智能体在数字世界大放异彩，AI 学界开始探索智能体向具身物理实体（Robotics & Embodied AI）的纵深跃进。然而当前主流的机器人具身基座大模型——包括视觉-语言-动作模型（VLA）与世界动作模型（WAM），强制遵循“观察到机械臂低阶位姿的端到端直接映射”。这种黑盒映射将任务需求、物理约束、环境因果及错误恢复全部隐式揉碎在轨迹向量中。一旦面对测试环境中光线偏转、工件轻微位移或视角变化，脆弱的连续动作策略便即刻崩溃失效；更致命的是，底层低阶动作流无法被大模型进行符号化反思与逻辑单步断点排查，难以沉淀为长程复用经验。

架构亮点与底层机制

针对黑盒具身模型在泛化性与可解释性上的死穴，联合研发团队提出了“物理编程（Physical Coding）”范式，将成熟的软件工程思维完整平移至物理智能体：

1. 代码即世界（Code as World）：跳出连续隐状态向量表示，将物理环境中的物体属性、空间几何拓扑、动力学约束与实时任务完成进度，实时建模为带有强类型约束的结构化 Python 状态数据类与可查询变量；
2. 代码即策略（Code as Policy）：将传统黑盒轨迹决策重构为具备清晰条件判断、异常捕获（try-except）与可重试循环的代码逻辑，将规划、校验、自省与调用底层 VLA 动作算子编织为模块化可执行脚本；
3. HexaAnything 自进化具身生态：构建了贯通感知、高阶推演与底层运动控制的具身操作系统。智能体根据环境传感器反馈在闭环中动态生成与执行代码，经验证成功的物理轨迹被自动提取为高纯度训练数据集与长效情境记忆；
4. 多层级闭环自进化链路：经验不仅能自发改进外部工具集与测试 Harness，更能通过离线强化蒸馏反哺模型主干权重（HexaModel），甚至自主反馈优化底层的机械臂硬件任务设定。

权威 Benchmark 与实测跑分对比

在严苛的具身仿真基准、跨域物理推理评测以及真实双臂机器人实体上，Physical Coding 展现了降维打击般的稳定性：

1. RoboCasa365 仿真全面超越 SOTA：在复杂跨场景家居具身基准 RoboCasa365 上，HexaAnything 在复合未见测试集（Composite-Unseen）以及全局任务成功率上，全面碾压前沿基线 XR-1 VLA；
2. HexaModel 权重内化带来通关全域领先：利用 HexaAnything 执行轨迹微调的专用基座 HexaModel，在全部任务子集上均显著击败原始 Base 模型，实证代码轨迹能高效转化为模型内在物理世界常识；
3. 真实 AgileX 双臂机器人自主演绎复杂物理实验：在硬核基准 PhyBench 以及真实的 AgileX 双臂机器人实体部署中，智能体在零人工干预下自主规划并顺利完成了多项精密物理光学与力学实验，平均操作耗时显著低于已公开的专家基准。

开发者实战落地与开箱指南

HexaAnything 具身代码智能体框架、仿真基准评测流水线以及真实机器人驱动适配层已全面开源。对于正在探索具身智能（Embodied AI）、自动化智能制造、实验室自主机器人（AI Scientist Robots）的工程团队，Physical Coding 提供了一条颠覆性的工程化演进路径：无需为每一个新机器人构型从头收集昂贵且脆弱的数万小时遥操作轨迹，直接借助代码作为可解释的物理中介层，利用 LLM 的符号逻辑掌控物理世界，让自主机器人具备真正的自适应纠错与终身自进化能力。