论文一链接：Democratizing Robot-Use Agents: A Unified Harness with Open Models (arXiv 2611.01560) 论文二链接：ROBOARCHITECT: Automating the Design of Robotic Agents with Persistent Memory (arXiv 2610.42141) 项目页：roboarchitect-ai.github.io（RoboArchitect） 发表时间：2026年10月（RoboArchitect，10月30日提交）；2026年11月（OpenRUA，11月1日提交） 机构：OpenRUA 为清华大学 + UC Berkeley 联合（含 Pieter Abbeel、Mengdi Xu、Bowen Zhou 等，高校合作无企业）；RoboArchitect 为斯坦福大学 Serena Yeung-Levy 组（6 人小团队，纯高校） 领域标签：cs.RO / Agent / 具身智能

〇、导读：为什么把这两篇放在一起读

2026 年的机器人圈正在发生一个静悄悄的范式转移：大家的注意力从"训练更强的策略模型"部分转向了"设计更好的模型外围执行层"。这个外围执行层有一个贴切的名字——harness（执行挽具）。就像赛马的挽具决定了马力如何传递到路面，agent harness 决定了模型智能如何传递到物理世界：模型看到什么观测、能调用什么工具、动作怎么执行、失败怎么反馈，全部由 harness 这层代码决定。

这个方向 2026 年下半年密集涌现了一批工作，本篇选取其中两篇代表性论文合并精读，因为它们恰好覆盖了 harness 革命的两条互补路线：

• OpenRUA（论文一，系统名为 uni-robot-agent）：把 harness 本身做好、做统一，证明一个精心设计的通用 harness 能让开放权重模型首次在 RoboDojo 基准上超过闭源前沿模型的官方发布成绩。这是"harness 作为开源杠杆“路线——回答"开源模型 + 好 harness 能走多远”。
• RoboArchitect（论文二）：把 harness 的设计过程本身自动化，编码模型审阅机器人 rollout 轨迹、诊断失败、迭代修订 harness，冻结 VLA 策略权重不更新，最终在域外设置中反超同一模型的微调版。这是"harness 优化替代微调“路线——回答"harness 层还有多少未开发余量”。

两篇论文共享同一个背景判断：机器人操作的大量性能余量不在模型权重里，而在模型外围的编排层里。OpenRUA 用"同模型换 harness 分数大幅波动"证明了这一点（同一 Qwen 模型在不同 harness 下 Score 从 1.90 到 31.39），RoboArchitect 用"冻结权重只改 harness 反超微调"证明了这一点。合起来读，能看清这个新兴方向的全貌。

第一部分：OpenRUA（uni-robot-agent）精读

一、论文背景：Robot-Use Agent 与它的三重困境

1.1 什么是 Robot-Use Agent

Robot-Use Agent（RUA）是指用通用多模态大模型（VLM/LLM）直接操控真实机器人的智能体：模型读摄像头画面和任务指令，通过调用工具（移动手臂、抓取、感知场景）来完成"把红色积木放进篮子"这类操作任务。它区别于传统的 VLA（Vision-Language-Action）模型——VLA 需要在机器人演示数据上端到端训练动作输出，而 RUA 是零样本的，靠模型的通用问题求解能力（任务分解、失败恢复、几何计算）直接驱动机器人。

一个直观的类比：VLA 像"驾校科班出身的司机"，看了几千小时驾驶示范；RUA 像"读过驾驶手册就上路的聪明人"，靠通用智能临场应变。2026 年 GPT-6 Astra、Claude Opus 5.5 等前沿闭源模型在机器人操控上展现出惊人的零样本能力，让 RUA 路线迅速升温（Phillip Isola 于 2026 年 9 月发表的 Robot-Use Agents 一文系统阐述了这一方向）。

1.2 三重困境

但 RUA 研究在论文写作时面临三重困境：

困境一：闭源垄断。 前沿模型全部闭源，研究者只能"拿来即用"——做做 harness 设计、调调 prompt，无法进行进一步的训练研究（无法微调、无法做缓存优化、无法控制推理速度）。API 依赖还带来成本问题：论文实测 GPT-6 Astra 每个 episode 花费 21.29 美元，大规模交互实验动辄数千美元。

困境二：开放模型"看起来不行"。 开放权重模型（Qwen、DeepSeek 等）与闭源模型存在能力差距，机器人使用需要强空间理解和 agent 能力，此前的开放模型尝试大多失败。于是先前工作转向各种"偏方"：利用特权信息（仿真器真值深度、任务验证器反馈）、引入任务特定 skill 库——但这些补丁模糊了问题的本质：到底是模型不行，还是没把模型的能力用出来？

困境三：harness 各自为政。 已有的 RUA harness（GAP、RoboProbe、RPent 等）各自绑定特定模型和场景，工具接口、反馈格式互不兼容，交互记录无法跨环境复用，难以支撑后续的训练研究。

1.3 论文的核心主张

OpenRUA 的主张非常鲜明：在把失败归咎于开放模型本身、堆叠各种特权补丁之前，应该先把一个可泛化、有效的 robot-use harness 建立起来，系统性地理解和释放模型既有能力。论文证明：结构化信息（相机标定、机器人描述）+ 可靠的工具反馈，就足以支撑有效的机器人使用——不需要特权输入，不需要任务特定 skill。

二、论文定位和关联工作

2.1 研究谱系一：VLA / WAM 路线（对照组）

π0.5（Physical Intelligence）、OpenVLA、Hy-Embodied-0.5-VLA 等模型走端到端训练路线，DreamZero、Cosmos Policy 等 WAM（世界-动作模型）走预测式建模路线。它们是 OpenRUA 在 RoboDojo 榜单上的主要对比对象——这些模型在各自训练分布内表现好，但泛化到新任务/新布局时大幅退化。OpenRUA 的零样本 agent 在 RoboDojo 上超过了列表中全部 VLA/WAM 基线。

2.2 研究谱系二：harness 设计先行工作

值得注意的是 Chu et al. 的 OpenRUA（零抽象）与本文的 uni-robot-agent 形成有趣的对照：前者只给终端和文档让 agent 自组织，后者提供精心设计的共享工具集——两者都成功，说明 harness 设计空间还存在很大的自由度。

2.3 定位结论

OpenRUA 在研究脉络中的位置：第一个以"统一 + 模块化 + 无特权 + 可训练"为设计原则、且让开放权重模型在 RoboDojo 上超过闭源官方结果的 robot-use harness。它不追求单点算法创新，而是建立社区可复用的基础设施——类似 OpenHands 之于 computer-use agent。

三、问题定义

3.1 从具体场景到抽象问题

具体问题：如何让一个没见过任何机器人训练数据的开放权重多模态模型，在真实部署条件下（只有 RGB 图像、相机标定、机器人本体感知）零样本完成桌面操控任务？

深层洞察——论文发现的抽象结构：机器人使用的关键不是"给模型更多特权信息"，而是"给模型可靠的结构化信息与反馈通道"。这可以形式化为：

• 给定：开放权重模型 M；任务指令 T；非特权观测流 O = {RGB 图像, 相机标定参数, 机器人本体感知}；共享工具集 Tools = {运动, 感知, skill, episode 控制}
• 求：harness 设计 H，使得 (M, H) 组合的期望任务得分最大化，且 H 跨模型/跨本体/跨环境可复用
• 约束：不使用仿真器真值深度、CAD 资产、任务验证器反馈、外部网络；不蒸馏闭源模型

3.2 这个抽象的精妙之处

把"harness 最大化模型既有能力"设为目标，而不是"训练模型获得新能力"，意味着：模型的机器人使用能力可能大部分已经存在于预训练分布中，缺的只是释放通道。这个假设被论文第四部分的跨代际分析验证——Qwen3.8-27B（27B 参数）能完成任务而 Qwen3.5-122B（122B 参数）成功率为零，说明决定性因素是训练分布而非规模，而 harness 正是把分布中已有的能力"接出来"的那根线。

类比：模型像一座已经建好的水电站，harness 像输电网络。发不出来电往往不是机组问题，是电网没接好。

四、问题解法：uni-robot-agent 的设计

4.1 五层模块化架构

类比操作系统的分层内核设计，一次工具调用穿过五层，每层接口显式可替换：

核心设计是 N 工具 × M 适配器避免 N×M 实现：共享工具通过环境适配器访问观测与原语动作，新增一个环境只需写一个适配器而非重写所有工具。统一请求/反馈格式还让跨环境收集的交互记录可直接合并用于训练——这是"支持后续训练"目标在架构上的落点。

4.2 两阶段流水线执行

类比：CPU 流水线重叠取指与执行。 传统串行交互中 agent 发一个工具调用就干等结果，推理与执行完全串行。uni-robot-agent 的观察是：决策不需要等待动作完成——agent 可以在手臂移动时继续思考下一步。

实现机制是两级并发：

• agent 与工具之间：后台调用返回 job handle，agent 继续独立推理，稍后取结果；依赖结果的调用仍会等待
• 工具调用之间：共享独占资源（如同一只手臂）的调用按提交顺序执行；不共享资源的调用真正并行

实测模型-动作重叠率达 84.5%–93.8%，五个测试任务的 episode 时长下降 4.8%–73.7%（swap_T 从 34.7 分钟降到 12.5 分钟）。flush_queue 支持观测变化后取消未开始的调用——流水线不是无脑并行，计划变更时能及时止损。

4.3 六项关键工程设计

这是论文最有工程含金量的部分，每一项都对应真实部署中的一类错误：

4.4 无特权输入原则

仿真中可用的仿真器真值深度、CAD 资产、任务验证器反馈，在真机上全部不存在。uni-robot-agent 的立场：只用真实部署中存在的信息——RGB 图像 + 相机标定 + 本体感知 + 任务指令。论文手动核查了全部实验中模型未违规访问被禁信息。这个原则使得仿真成绩能自然迁移到真机（论文真机实验即验证）。

五、评估指标与实验证据

5.1 指标体系

• 主指标：RoboDojo Score（0–100，含部分成功计分）与成功率 SR（%）。RoboDojo 含 42 任务 × 5 能力维度（泛化/记忆/精度/长程/开放词汇），3 种子 × 2 布局共 252 episodes
• 辅助指标：每 episode token 用量与 API 成本；episode 时长；模型-动作重叠率；跨模型失败模式分布
• 消融指标：深度信息三档（RGB+深度+标定 / RGB+标定 / 纯 RGB）；skill 库开/关

5.2 主结果一：仿真——开放权重首次超过闭源官方结果

这是首个无特权输入、无闭源蒸馏的开放权重系统在 RoboDojo 上超过闭源基础模型发布结果。注意最后一行：Astra 换上 uni-robot-agent 后从 28.97 涨到 51.90，证明 harness 设计对闭源模型同样增益——harness 的贡献独立于模型。

同模型换 harness 的对照实验（证明 harness 贡献的最干净证据）：

同一模型，harness 不同，Score 从 1.90 到 31.39（16 倍差距）。harness 本身贡献至少 +10.38 分。

5.3 主结果二：真机 19 任务

自制双臂真机基准（5 维度 × 20 分）：Qwen3.8-Flash-Next 得 49.50，超过零样本 Dream-1（35.50），匹配微调 π0.5（47.75，每任务用了 10 小时演示数据）；GPT-6 Astra 达 75.50。注意一个不公平但值得记录的细节：uni-robot-agent 配置额外使用了 RealSense D405 的深度流，而 π0.5 和 Dream-1 只用 RGB。

成本数据同样关键：Qwen 每 episode 1.09 美元 vs Astra 21.29 美元，约 20 倍差距——开放模型的经济性论证。

5.4 主结果三：四能力归因分析（科学贡献）

跨 13 个模型（Qwen3.5–3.8、DeepSeek、GLM、GPT-5.6/6.1/6）的轨迹失败分析，识别出四类主导失败模式：

更进一步的关联分析：四能力与通用基准显著正相关——ERQA（具身推理）r=0.97、MMMU-Pro（视觉理解）r=0.93、LiveCodeBench（代码）r=0.75、ScreenSpot-Pro（grounding）r=0.69（弱相关，作者解释：后者是 2D 屏幕 grounding，机器人需要 3D）。

这个分析证明力在哪：它把"哪个模型能用好机器人"这个黑箱问题，拆解为"哪四项通用能力到位"的白箱问题，并给出可操作的训练建议——未来 RUA 训练应联合发展这四项能力（例如用机器人数据构造针对每项能力的训练任务），而不是只拟合动作输出。

5.5 消融：特权信息到底值多少分

• 深度消融：去掉深度只留标定，Qwen 从 35.89 降到 31.39（保留 87.5%），Astra 从 55.83 到 55.04（保留 98.6%）；纯 RGB（无标定）Qwen 骤降至 9.13。结论：标定参数是必需品，深度是奢侈品——附录 E 展示 Qwen 自己写几何代码做跨视图三角化恢复 3D 坐标（重投影误差 0.46/1.94 像素），说明强模型可以"算出"深度
• skill 库消融：完全去掉 skill 库，Score 30.31 vs 31.39（保留 96.6%），SR 差 0.42 个百分点。结论：性能不依赖 skill 库中的任务特定知识，排除了"skill 泄漏特权信息"的质疑

六、效果优势的根源解释

6.1 根源机制与证据链

对比对象：其他 harness（RoboProbe/RPent/GAP）与 VLA/WAM 模型。它们为什么曾经有效？RoboProbe 绑定单一强模型，验证了 LLM 直接作策略的可行性；VLA 在训练分布内有精确的 visuomotor 技能。

baseline 的根本局限（机制层面）：

1. VLA/WAM 的局限：训练分布内精确但分布外脆弱——任务变化、布局扰动、新物体都会打破动作分布假设。长程任务上 OpenWAM-α（34.93）虽高于 Qwen（23.75），但整体被压制。
2. 弱 harness 的局限：工具反馈信息量不足或不可靠时，模型的失败无法被观测、无法被纠正——错误级联。例如 RoboProbe 下 Qwen 只有 1.90 分，并非模型完全无能，而是 harness 没有提供让模型恢复的通道。

因果链（每步标注证据等级）：

• 链 1：相机标定参数 → agent 能跨视图三角化恢复 3D 坐标（附录 E：Qwen 自写最小二乘光线求交代码，重投影误差 <2 像素）→ 深度特权信息的边际价值降低 → 去深度仅掉 12.5% 分数【论文实验已支持：消融数据 + 代码案例】；纯 RGB 无标定时骤降至 9.13 反证标定是关键通道【论文实验已支持】
• 链 2：快照一致性 + 幂等执行 → 消除"旧标定配新像素"和"重复物理动作"两类真实部署错误 → 仿真到真机迁移时性能保持（真机 49.50 匹配微调 π0.5）【论文实验已支持：真机结果；机制推断部分为阅读者推测——论文未做逐错误类型的真机消融】
• 链 3：两阶段流水线利用"决策不等动作"的并发性 → 墙钟时间减半以上（swap_T 34.7→12.5 分钟）→ 长程任务的可行性提升【论文实验已支持：重叠率 84.5–93.8% 实测】
• 链 4：数值+图像双重反馈 → agent 能区分"小残差"与"被拒绝/停滞"→ 更聪明的重试策略【论文实验已支持：附录 F 案例显示 agent 在执行期间准备低位抓取的间隙检查代码】
• 链 5：四能力（视觉理解/空间 grounding/几何编码/具身推理）联合决定机器人使用成败 → 训练分布差异（而非规模）解释跨代际跳变【论文实验已支持：13 模型失败分析 + r=0.61–0.97 相关性；“训练分布"归因本身是论文的推测性论断，作者用"We posit"措辞】

阅读者推测（明确标注）：论文未直接测量"统一接口带来的跨环境数据合并收益”（这是架构设计动机之一，但训练实验留待未来工作）；harness 六项设计之间的相对贡献也未逐一消融——各设计可能存在交互效应，当前证据只能支持"整体组合有效"。

6.2 相关工作检索与对照

以下为围绕关键机制的外部检索结果（检索于 2026-11-03，均给出可核验链接）：

检索说明：以上覆盖 robot-use harness（RoboProbe/K1/ORA/Show-Harness/HexaShell）、冻结策略编排（Harness VLA）、多视图几何（ZeroDex）、开放权重差距（EAA）四条线。未找到专门消融"快照一致性/幂等执行"单项设计的独立外部研究——这两项机制的证据目前主要来自本文自身，标注为证据缺口。

6.3 综合判断与未决问题

多研究共同支持的机制：(1) 结构化几何通道（标定/三角化）可替代深度特权——OpenRUA、K1、ZeroDex、HexaShell 四方独立证据；(2) 开放权重 + 好 harness 可达 competitive——OpenRUA、ORA 双方独立印证；(3) harness 对同一模型的放大作用巨大（本文 16 倍差距，HexaShell 在官方榜的跃升同向）。

仍属推测的机制：训练分布（而非规模）解释 Qwen 跨代际跳变——论文相关性证据强但无因果实验；快照/幂等设计的独立贡献——无单项消融与外部复现。

优势成立条件：模型需已具备基本视觉理解与几何编码能力（Qwen3.5/3.6/3.7 在同一 harness 下 SR 为零——harness 放大能力但无法无中生有）；任务以桌面抓放为界，精度/接触富任务（precision 维 10.21 分）仍是短板（HexaShell 的剖面证据同向）。

可能失效条件：动态任务（传送带、抛接）、接触动力学丰富任务、以及真机深度不可靠场景（真机实验即依赖了 D405 深度——论文自己承认这与无特权原则存在张力）。

七、必要知识反推

假设让一个没有背景的人完成 OpenRUA 这项工作，最少需要掌握：

7.1 领域知识层

• 机器人操作基础：机械臂运动学（位姿、四元数）、夹爪控制、相机内外参标定——不理解就无法设计"标定替代深度"的通道，也无法读懂轨迹分析中的坐标变换错误
• RUA/VLA/WAM 版图：知道 RoboDojo 基准的 42 任务 5 维度协议、π0.5/OpenWAM 等基线的意义——否则无法定位"首个开放权重超闭源"声明的价值

7.2 方法论知识层

• Agent harness 设计模式：工具接口设计、MCP 适配、上下文管理（滑窗驱逐、前缀缓存）——来自 computer-use agent 的工程积累直接迁移
• 评测方法论：部分成功计分、多种子多布局平均、消融设计（深度三档、skill 开关）——保证 252 episodes 的结论统计可靠
• 失败分析方法论：跨 13 模型的轨迹错误分类学（四能力框架）与 Pearson 相关分析

7.3 工程知识层

• 分布式系统思维：幂等性、不可变快照、资源独占调度、两阶段流水线——六项关键设计全部源自分布式系统经典问题在物理世界的投影
• 成本建模：按 token 类型（输入/缓存/输出）与长上下文加倍规则精确估算 API 成本

7.4 知识融合的关键节点

最有创造性的融合点：把分布式系统可靠性技术（快照、幂等）翻译到物理机器人场景。通信领域的"消息重发"在物理世界变成"重复抓取动作"——这个映射不是任何单一领域的知识，而是跨域类比产生的化学反应。同样，“CPU 流水线"到"推理-执行重叠"的迁移也是关键节点。

八、论文中可以提取的通用性灵感

灵感一：结构化信息通道优于特权信息注入。 核心思想：给系统一条可靠的信息通道（标定参数），比直接喂给结果（深度图）更通用、更鲁棒。论文证据：去深度保留 87.5–98.6% 分数；纯 RGB 骤降证明通道本身不可省。推广场景：(1) 教育系统——教方法论 vs 直接给答案；(2) 推荐系统——给用户可解释的特征通道 vs 黑盒标签；(3) 编译器优化——提供 profiling 接口 vs 内置启发式；(4) 组织管理——透明信息流 vs 层层加工的汇报。

灵感二：能力放大器思维。 harness 的价值不在自身多强，而在把既有能力的方差缩到最小（同模型 1.90→31.39）。推广场景：(1) 员工 onboarding 体系是个人能力的 harness；(2) 数据库索引是查询引擎的 harness；(3) 良好的 API 设计是模型能力的 harness；(4) 教学脚手架（scaffolding）是学习者能力的 harness。

灵感三：用跨代际/跨家族自然实验做能力归因。 不训练任何新模型，仅利用模型发布的时间序列（Qwen3.5→3.8、GPT-5.6→6.1）做自然实验，把"能力从哪来"拆解为可测量的失败模式分布。推广场景：(1) 药物流行病学的自然实验设计；(2) 经济政策的城市对照；(3) 用模型版本演进研究推理能力的涌现；(4) A/B 测试之外的准实验方法。

灵感四：并发性分析要基于任务依赖而非流程外观。 “决策不等动作完成"的洞察来自分析信息依赖（下一步推理不依赖本步物理结果），而非照搬串行流程。推广场景：(1) 微服务拆分按数据依赖而非组织结构；(2) 编译器指令重排；(3) 手术团队并行准备；(4) 数据管线的任务级并行。

第二部分：RoboArchitect 精读

一、论文背景：harness 手工设计之痛

1.1 背景承接

第一部分讲到 harness 决定模型能力的释放程度。那么下一个自然的问题：harness 本身该怎么设计？ 现状是手工设计——VoLo、Harness VLA 等系统展示了手工 harness 包裹冻结策略的巨大收益，但每个新机器人、新基准都要重新设计，工程成本高且难穷尽。

1.2 人类工程师的试错循环

手工设计 harness 遵循一个熟悉的循环：跑 agent → 观察失败 → 诊断原因 → 修改控制代码 → 再测试。这个循环慢的原因有二：一是长轨迹录像（逐步相机帧、机器人读数、模型调用）人类难以穷尽检查；二是诊断-修改-验证每轮都要数小时。

1.3 核心问题

这个完整的工程循环——从诊断失败轨迹到修订 harness 设计——能否自动化？ 如果能，harness 优化就可能成为微调的替代方案：面对新机器人设置，不采数据不更新权重，只迭代 harness。

二、论文定位和关联工作

2.1 谱系一：VLA 适配的三条路

2.2 谱系二：code-as-policy 路线

Code as Policies（arXiv 2209.07753）证明 LLM 可写程序直接控机器人；CaP-X（arXiv 2603.22435）指出编码 agent 成败高度依赖手写原语；Rho（arXiv 2606.16458）探索编码 agent 直接做机器人学。这些工作与 VLA 被视为两个对立范式——RoboArchitect 的一个 surprising 发现是把两者统一为 harness 可自动选择的谱系。

2.3 谱系三：自动代码优化 / ADAS

这是方法论上最直接的谱系：ADAS（arXiv 2408.08435，Hu & Clune）提出用 meta agent 在图灵完备代码空间搜索 agent 设计；Darwin Gödel Machine（ICLR 2026）做自改进 agent 的开放式进化；Evo-harness（arXiv 2608.15071）做上下文到 harness 的技能编译。机器人领域内，Eureka 自动生成奖励函数、ENPIRE 修订训练配置——但这些最终产物都服务于训练权重；技能库路线（ASPIRE 等）优化的程序完全替代策略。RoboArchitect 的独特位置：优化围绕冻结策略的 harness，让代码自主决定策略与程序控制的分工。

2.4 定位结论

RoboArchitect = ADAS 方法论 × 机器人场景 × 冻结 VLA。它是首个给出"harness 优化可替代微调"系统证据的机器人工作（同 held-out 集上进化 harness vs 微调权重的直接对比）。

三、问题定义

3.1 抽象问题

具体场景：一个在新机器人/新基准上表现很差的冻结 VLA 策略，如何不更新权重就变成该设置的专家？

抽象洞察：harness 设计本质上是一个带执行反馈的程序搜索问题。形式化：

• 给定：冻结策略 π、辅助工具集（LLM/VLM/检测/分割/pointing/抓取生成/几何投影）、训练 episodes 集 E_train、编码模型 C
• 求：harness 程序 H（observations + 指令 → 机器人动作向量），其中 H 可任意混合三种控制来源：跟随 π / 调用工具 / 程序化直接控臂
• 约束：优化只看 E_train 上的执行轨迹；最终在 held-out episodes（unseen scenes / unseen tasks）上评测；最多 5 轮迭代

3.2 精妙之处

把"新设置适配"从参数空间（微调：连续、不可解释、需要演示数据）搬到程序空间（harness：离散、完全可解释、只需要 rollout 记录）。程序空间的每次修订都针对具体失败模式、可检查可回滚——这是权重更新做不到的可审计性。类比：微调像"给员工洗脑培训”，harness 进化像"给员工写操作手册”——后者每次改动都能 diff 出来看。

四、问题解法：ROBOARCHITECT 的机制

4.1 初始状态与优化循环

初始 harness 是裸策略直通：观测原样转发给冻结 VLA，动作原样返回——此时就是标准裸策略评测。优化循环复刻人类工程师的试错：

1. 执行与记录：harness 在训练 episodes 上运行，记录完整轨迹（逐步相机帧、机器人读数、所有模型与工具调用）
2. 诊断：编码模型（claude-opus-5，Claude Code 客户端，max effort）审阅执行轨迹，诊断失败模式
3. 修订提案：提出候选 harness 修订——可跟随策略、调用辅助工具、或程序化直接控臂
4. 验证与接受：同训练集重评，仅当超越当前 harness 才接受（单调优化，上限 5 轮迭代）

接受准则遵循自改进 agent 的经验验证先例（Darwin Gödel Machine 等），保证训练集上性能单调不降。

4.2 辅助工具箱

harness 可查询的预训练工具：语言模型（Qwen3-30B-A3B）、VLM（Molmo2-8B / Qwen3-VL-8B）、目标检测（Grounding-DINO）、分割（SAM 3）、pointing（Molmo2-8B）、抓取位姿生成（GraspGen）、几何工具（像素-深度对投影到 3D 基座坐标、相对轨迹原语生成）。这些工具给 harness 提供了冻结策略之外的替代信息源与动作源。

4.3 无 schema 持久记忆

这是论文最独特的机制：提供持久记忆机制但不预定义任何 schema——存什么、以什么形式存、如何检索，完全由优化过程自主决定。涌现出的记忆形态（论文第 4.4 节）：

• 执行经验：记录成功抬起物体的抓取深度（按物体实测高度的比例索引）——新物体直接查表
• 握持风格：记录每个物体哪种握姿（捏/撑）成功过
• 任务线索：RoboCasa 上记录"press 类任务很少需要持物、pick 类任务需要"——决定空抓恢复例程是否启用
• 环境规律：RoboCerebra 的 150 步场景重置周期被发现并存储
• 本体校准：统一 harness 记录每个机器人手指闭合方向（通过空夹观察深度图中的运动），指导抓取腕部朝向

关键区分：这些记忆是所设计 agent 内部的数据结构（执行时跨 episode 持久累积），不是编码模型的上下文——每次评测从空记忆开始累积，held-out episodes 上依然高效（每 episode 读取 3.4–13.0 次，92–99% 命中率）。

4.4 评测协议：三重泛化测试

• Unseen scenes：训练/评测同任务不同布局——测场景泛化
• Unseen tasks：held-out 是不同任务但共享底层技能——测技能级泛化
• 统一 harness：在程序化生成的 2201 个训练 episodes 池上进化单一 harness，评测于 2160 个标准 benchmark episodes（跨 Franka/WidowX/Google 三本体）——测跨本体泛化；harness 运行时从动作规范与本体感知读取本体差异，不硬编码常数

五、评估指标与实验证据

5.1 指标与设置

主指标：各基准标准指标（VLABench 用官方进度分，其余用成功率），统一简称成功率。5 基准 × 7 冻结策略（MolmoAct-2、OpenVLA-7B、π0.5、RLinf-π0.5、SmolVLA、X-VLA、RLDX-1），每设置最多 5 轮迭代。与微调对比时用同模型的公开微调 checkpoint 在同 held-out 集上评测。

5.2 主结果：增益幅度与微调对比

这张表证明了什么：(1) 增益幅度巨大且跨 11 个设置几乎全部为正（唯一例外 RLDX-1 域内 unseen scenes −0.2pp——域内已强无余量）；(2) 域外设置增益最大（+696%/+671%），支持"新设置适配"卖点；(3) 三个直接对比中两个反超微调版（52.6 vs 35.2、87.5 vs 70.8），仅 WidowX unseen tasks 落后（66.7 vs 87.5）——冻结权重 + 进化 harness 可以超过完整权重更新；(4) 包裹微调专家时正确保持其能力不破坏（58.0→60.7）。

5.3 迭代 vs 一次性设计

编码模型第一次尝试（One-Shot，看裸策略失败后一次设计）已经很强（unseen scenes 均值 21.4%），但迭代版本（43.3%）在几乎所有 held-out 集上超过 one-shot——agent 自身执行产生的新证据暴露了更隐蔽的失败模式，后续修订修复它们。例如 VLABench 的 code-as-policy agent 第一轮就建成，但只有它自己的 rollout 才暴露出视觉工具无法可靠区分麻将牌面的问题，后轮修订出"候选列表逐个尝试"机制。

5.4 定性证据：涌现的直觉控制策略

进化出的控制例程都是人类工程师能看懂（甚至拍案）的直觉逻辑：

• 卡臂抬升清障：监测指令与实际运动的持续不一致（卡住），先抬起手臂清障再重新查询策略（MolmoAct-2 顶倒果汁盒 → 检测卡住抬升）
• 架下水平伸入：深度图检测头顶障碍，计算水平接近向量（X-VLA 从上方撞书架板 → 转腕侧向伸入取书）
• 力矩重标定：烤炉门需要闭合到开启范围 0.5% 内，策略推力太轻，harness 保持方向重标定动作幅度（RLDX-1）
• 按实测几何重定向：LIBERO-Pro 打乱位置后策略仍伸手去记忆位置，harness 查询 pointing 模型定位指令目标（RLinf-π0.5 伸向煎锅位置 → 重新定位到 moka pot）

5.5 记忆使用统计

held-out episodes 上每 episode 平均读取记忆 3.4（VLABench 抓取深度）到 13.0（RoboCerebra 重置周期）次，92–99% 的读取命中存储条目。由于每次评测从空记忆开始，这证明记忆条目的设计（而非具体内容）成功迁移到未见场景。

六、效果优势的根源解释

6.1 根源机制与证据链

对比对象：微调（参数空间适配）与裸策略（无 harness）。

微调的根本局限：新设置的域差距通常靠采演示 + 微调弥合，但(a)演示采集昂贵，(b)微调技能常无法泛化出训练分布（LIBERO-Pro 的空间换位研究正是为此设计），(c)权重更新不可解释不可检查。

因果链：

• 链 1：harness 层存在大量未开发余量（何时查策略/查视觉工具/直接控臂的编排决策空间）→ 自动化"诊断-修订-验证"循环把工程师试错交给编码模型 → 每次修订可解释可检查 → 11 设置几乎全部正增益【论文实验已支持：Table 1 + 图 10–12 逐轮轨迹】
• 链 2：泛化来源是控制例程基于实测几何与机器人自身感知，而非硬编码对象名/位置 → 换场景换物体时例程仍然成立 → unseen scenes/tasks 正迁移【论文实验已支持：修订代码的定性分析；“实测几何索引是泛化来源"的因果解释部分为论文论证 + 阅读者认同的机制推断】
• 链 3：记忆按物理量（物体高度比例、握姿统计）而非任务名索引 → 经验跨物体跨任务迁移 → held-out 上 92–99% 命中【论文实验已支持：记忆使用统计 + 条目形态】
• 链 4：当策略完全无信号时（通用 X-VLA 在 WidowX 上每步全开夹爪），harness 演化为纯 code-as-policy（训练集 0→100%）→ 策略有效时保留其能力 → VLA 与 code-as-policy 被统一为可自动选择的谱系【论文实验已支持：WidowX 案例 + 统一 harness 包裹专家时保持 58.0→60.7】
• 链 5：为何能超微调——微调把所有失败模式压进同一个权重更新，受演示分布约束；harness 修订针对离散失败模式逐一修复，且不破坏原有权能【论文实验已支持：三个直接对比；机制解释为阅读者推测——论文未做权重层面的分析】

反事实推理：去掉迭代（只留 one-shot）增益从 43.3% 降到 21.4%——一半以上的增益来自 agent 自身执行产生的新证据。去掉接受门槛（每次修订都接受）可能过拟合训练 episodes——论文通过 held-out 协议反证了这一风险的管控有效性。

6.2 相关工作检索与对照

检索说明：覆盖 ADAS 方法族、机器人编排先行工作、自动 harness 评测三个方向。特别收录了 HarnessDev 的相反结论证据以划定适用边界。未找到专门研究"无 schema 涌现记忆 vs 预定义记忆 schema"对照的独立工作——该机制的外部验证目前为空，属证据缺口。

6.3 综合判断与未决问题

多研究共同支持：(1) 编排层（harness）余量真实存在且巨大——VoLo、Harness VLA、Hu et al. 协同设计研究、RoboArchitect 四方证据；(2) 代码空间自动搜索优于手工在多域成立——ADAS、Eureka、Meta-harness；(3) 微调泛化受限（LIBERO-Pro 系列证据）。

仍属推测：(1) “harness 修订逐一修复离散失败模式所以能超微调”——直接对比存在但机制解释未经权重层面验证；(2) 涌现记忆的 schema 自由度是否真优于预定义 schema——无对照实验亦无外部复现。

优势成立条件：失败模式可从轨迹诊断（桌面 pick-and-place 类满足；论文自述接触动力学丰富的灵巧操作/工具使用是未验证边界）；有可用的辅助工具箱（检测/分割/pointing 质量影响上限）；训练 episodes 与 held-out 共享底层技能。

可能失效条件：迭代上限 5 轮后的收益饱和点未知（论文自列为局限）；全部实验在仿真，真机 sim-to-real 未验证（接口声称可迁移）；策略"部分有用"的中间地带（如策略 60% 时间有效）的分工优化可能比纯两端更难。

七、必要知识反推

7.1 领域知识层

• VLA 生态：各策略模型（π0.5/X-VLA/SmolVLA 等）的训练分布特性、微调 checkpoint 生态——否则无法设计"训练源距离"分级与公平的微调对照
• 各机器人基准的协议细节：LIBERO-Pro 的空间换位逻辑、RoboCerebra 的 150 步重置、VLABench 的进度分——这些环境规律甚至被 harness 自己发现（重置周期记忆）

7.2 方法论知识层

• 自动 agent 设计（ADAS）范式：代码空间搜索、归档机制、接受准则——RoboArchitect 的优化循环直接建立其上
• 泛化评测设计：unseen scenes/unseen tasks/统一 harness 三协议的构造（交替发牌场景配置、按共享技能切分任务）——防止"harness 过拟合训练 episodes"的质疑
• 过拟合防控：训练/held-out 切分 + 单调接受门槛的组合

7.3 工程知识层

• 辅助工具集成：检测/分割/pointing/抓取生成各模型的 API 与失效模式（如视觉工具分不清麻将牌面 → 演化出候选列表机制）
• 轨迹记录基础设施：逐步相机帧/读数/模型调用的完整 log 是诊断的前提
• 成本控制：5 轮迭代全程 <6 小时编码模型时间、平均 <$150——无演示采集、无权重更新

7.4 知识融合的关键节点

最关键的融合：把"人类工程师如何调试机器人系统"的隐性知识（观察-诊断-修改-验证）显式化为编码模型可执行的循环。这不是任何单一技术，而是把软件工程的 code review 文化、机器人学的 failure analysis 传统、和 ADAS 的搜索框架三者对齐。第二个节点是"记忆不设 schema"的克制——知道在哪里不设计（let it emerge）本身就是深刻的设计判断。

八、论文中可以提取的通用性灵感

灵感一：适配新环境时，先检查外围编排层再动核心参数。 核心思想：系统表现不佳时，修改调用逻辑/信息路由/失败处理的收益可能超过修改核心模型，且保持可解释可回滚。论文证据：冻结权重 + 进化 harness 在 2/3 直接对比中超过微调。推广场景：(1) 数据库慢查询先优化索引与查询计划再改存储引擎；(2) 团队绩效差先改流程与信息流再换人；(3) LLM 应用效果差先优化上下文工程再微调；(4) 城市交通先优化信号配时再修路。

灵感二：让证据而非指令决定组件分工。 核心思想：VLA 与 code-as-policy 的分工不是预先指定而是从 rollout 证据中涌现（策略无用→纯代码；策略强→保留+干预）。论文证据：通用 X-VLA 演化出纯 code-as-policy（0→100% 训练集），包裹专家时正确保持。推广场景：(1) 微服务拆分按实际调用证据而非架构图；(2) 人机协作界面按谁在哪类任务上更准动态分配；(3) 混合云工作负载按实测成本路由；(4) 教学中按学生表现数据决定讲解与自学的比例。

灵感三：经验按可测物理量索引才能跨场景迁移。 核心思想：记忆/经验的组织维度决定了泛化边界——按表面类别（任务名）索引过拟合，按深层可测量索引迁移。论文证据：抓取深度按"物体高度的比例"而非任务名存储，新物体直接命中（92–99% 命中率）。推广场景：(1) 案例库按问题结构特征而非行业归类检索；(2) 医院临床路径按病理机制而非症状索引；(3) code review 经验按缺陷模式而非项目归档；(4) 销售话术按客户决策结构而非行业分类。

灵感四：自动化"专家的调试循环"比自动化"专家的设计"更可行。 核心思想：一次性从零设计很难（HarnessDev 显示落后人工），但"执行→看失败→修→再验"的迭代循环自动化效果好——因为每步都有执行证据锚定。论文证据：one-shot 21.4% vs 迭代 43.3%，差距说明执行证据的价值。推广场景：(1) 自动化运维从根因分析循环入手而非全自主运维；(2) AI 辅助写作先做"修改-反馈"环而非一次性成文；(3) 法规制定用试点-评估-修订循环；(4) 个人学习中的刻意练习（练习-反馈-修正）优于一口气学完。

第三部分：双篇合论

一、两条路线的互补与合流

两篇论文拼出 harness 革命的完整图景：

互补关系清晰：OpenRUA 证明 harness 决定能力释放的下限与上限（弱 harness 埋没强模型），RoboArchitect 证明 harness 设计本身可以被自动化且有微调级收益。一个自然的合流方向：用 uni-robot-agent 式的统一工具接口作为 RoboArchitect 的搜索空间底座——前者定义组件与契约，后者自动搜索最优组合。HexaShell（检索中发现，arXiv 2610.23479）已经展示雏形：optimizer agent 阅读完整执行记录后写/修工具，工具以代码形式沉淀，在 RoboDojo 官方榜达 46.9% SOTA。

二、共同的深层判断

剥开工程细节，两篇论文共享三个可迁移的判断：

1. 性能余量的分布：模型时代的系统优化，边际收益最大的位置正在从参数空间向接口/编排空间转移。两篇分别用 16 倍分差和 +696% 增益量化了这个余量。
2. 可解释性作为约束的价值：RoboArchitect 的每次修订可检查、OpenRUA 的每次工具反馈可诊断——可解释不只是安全需求，更是持续优化的前提（诊断不了就改进不了）。
3. 自然实验方法论：OpenRUA 用模型代际序列做能力归因，RoboArchitect 用训练-源距离分级做适配难度标定——都在不训练新模型的前提下回答了深层问题。

三、开放问题

• harness 优化的饱和点：5 轮之后还有多少收益？迭代预算与过拟合风险的边界在哪？
• 真机验证缺口：RoboArchitect 全仿真；OpenRUA 真机实验依赖深度流，与自身无特权原则存在张力
• 两个范式的理论统一：VLA 与 code-as-policy 被实证统一为谱系，但何时该用哪端的判据仍是经验性的
• 安全维度：harness 越强大，模型误用/失控的物理后果越大（检索中注意到 RoboHarm 基准显示前沿模型在危险指令面前几乎无拒绝能力）——harness 革命需要配套的安全层设计
• 开放权重的真实边界：Embodied Agent Arena 显示开放权重在多域执行任务上与闭源差距仍大，OpenRUA 的成功是否可泛化到 RoboDojo/桌面操控之外，待验证

附录：关键术语速查

• Harness（执行挽具）：围绕模型的执行运行时——决定观测构造、工具暴露、动作执行、反馈处理的外围代码层
• RUA（Robot-Use Agent）：用通用多模态模型直接操控机器人的 agent，零样本、不依赖机器人训练数据
• VLA（Vision-Language-Action）：在机器人演示数据上端到端训练的策略模型，输出连续动作
• 特权输入（Privileged Inputs）：只在仿真中可得的信息：真值深度、CAD 资产、任务验证器反馈
• Unseen scenes / Unseen tasks：harness 优化未见过的场景布局 / 未见过的任务（共享底层技能）
• Code-as-policy：以可执行程序（而非神经网络）作为机器人策略的范式
• 涌现记忆：harness 优化过程自主决定的记忆结构（无预定义 schema），按实测物理量索引