RoboArchitect без дообучения поднял успех манипуляторов с 9,7% до 43,3% на новых сценах

Команда авторов RoboArchitect показала, что обвязку для робототехнической политики можно не писать вручную, а поручить это кодинг-модели. Система берёт замороженную vision-language-action политику (VLA), смотрит записи её неудачных прогонов и сама переписывает управляющий код вокруг неё. Без единого обновления весов средний успех на незнакомых сценах вырос с 9,7% до 43,3% (в 4,5 раза), а на незнакомых задачах — с 12,7% до 40,2% (в 3,2 раза). Эти цифры получены на отложенных эпизодах, которых обвязка не видела при оптимизации.

Что именно эволюционирует

Обвязка здесь — программа между наблюдениями среды и низкоуровневыми командами контроллеру. На каждом шаге она получает кадры камер, карты глубины, позу и состояние захвата, а также текстовую инструкцию. Стартовая версия просто пробрасывает действия замороженной политики без изменений, то есть соответствует оценке «голой» модели.

Дальше запускается цикл, знакомый любому инженеру: прогнать, найти провал, понять причину, поправить код, проверить снова. Каждая оценка логирует полные трассы: покадровые изображения, показания робота, выводы всех моделей и инструментов. Кодинг-модель (авторы запускали её через клиент Claude Code на максимальном уровне усилий) читает трассы, диагностирует сбои и предлагает новую версию. Кандидата перепроверяют на тех же обучающих эпизодах и принимают, только если результат лучше текущего, так что качество на тренировочном наборе растёт монотонно. Потолок — 5 итераций.

Обвязке доступны вспомогательные инструменты: Qwen3-30B-A3B-Instruct как языковая модель, Molmo2-8B для зрения и указания точек, Grounding-DINO для детекции, SAM 3 для сегментации и GraspGen для генерации поз захвата. Есть и геометрические утилиты, переводящие пары «пиксель — глубина» в 3D-координаты базы робота.

Что придумала система

Найденные стратегии вполне человеческие. Если политика упирается в пакет сока, пока тот не опрокинется, обвязка замечает затор и приподнимает манипулятор. Когда сверху мешает полка, хват разворачивается, и рука заходит сбоку. Если дверца тостера не закрывается из-за слабого нажима, обвязка масштабирует амплитуду действия и защёлкивает её. Каждая правка адресована конкретному виду сбоя, поэтому её легко прочитать и развить, в отличие от изменений весов.

Там, где политика вообще не даёт полезного сигнала, обвязка перестаёт к ней обращаться и ведёт руку по собственному восприятию. Фактически получается агент в парадигме code-as-policy, и авторы считают, что это эмпирически объединяет два подхода, которые обычно рассматривают порознь.

Отдельно обвязка развивает постоянную память. Схему и правила хранения авторы не задавали: система сама решает, что записывать и как доставать. В итоге в память попадают прагматичные детали, например эффективная глубина захвата, которую учитывают при последующих решениях.

Результаты и ограничения

Оценка шла на LIBERO-Pro-10 (LIBERO-10 с переставленными объектами), SimplerEnv Google и WidowX, VLABench. Использовались политики MolmoAct-2 и X-VLA. Для VLABench применён официальный progress score с частичным зачётом за захват нужного объекта и выполненные условия, хотя в статье его для простоты тоже называют успехом. Для сравнения с дообучением авторы брали публичные чекпоинты тех же моделей, настроенные на целевой бенчмарк.

Сильнее всего выигрыш там, где бенчмарк далёк от обучающих данных политики: универсальная модель в эволюционировавшей обвязке часто превосходит дообученную версию себя. Дополнительно авторы собрали единую обвязку для разных платформ (Franka Panda, WidowX, мобильный манипулятор Google). Её обучали на процедурно сгенерированных эпизодах вне стандартных оценок. Вокруг общей X-VLA она заметно повышает результат, а вокруг дообученных специалистов сохраняет их качество.

Оговорки очевидны: все эксперименты проведены в симуляторах, проверка на реальном железе в доступном тексте не описана. Результат сильно зависит от мощной кодинг-модели и набора готовых инструментов, а на нужное число итераций и стоимость запусков в материале нет данных. Практический вывод для команд, которые адаптируют политики под новую руку или сцену: вместо сбора демонстраций и дообучения стоит сначала попробовать автоматизированную доработку обвязки. Авторы утверждают, что именно в ней сегодня лежит значительный запас роста для манипуляции.