A重点81
机器之心
1 个来源具身导航大模型白训了？coding-agent裸接机器人，成功率78%反超工业级专用模型
阿德莱德大学吴琦团队的研究将 coding-agent（如 Claude Code、Codex）直接接入机器人，不建图、不记忆、零训练，在视觉语言导航基准 R2R-CE 上达到 78% 成功率，反超工业级专用模型。该研究挑战了传统导航方法，表明通用推理模型可直接掌控具身控制。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读会员精读
具身导航大模型白训了？coding-agent裸接机器人，成功率78%反超工业级专用模型
版本 1 · 1 个来源
阿德莱德大学吴琦团队的新研究将 coding-agent 直接接入机器人，不建图、不记忆、零训练，在 R2R-CE 基准上达到 78% 成功率，追平甚至超过工业级专用模型。这一结果挑战了具身导航领域“必须专用训练或复杂脚手架”的预设，但长程导航仍是盲区。
- 在 R2R-CE val-unseen 随机 100 条路径上，零样本 coding-agent 达到 78% 成功率，人类为 94%。
- 决定成绩的是模型而非框架：换模型可拉开二十多个点，换 harness 仅几个点差异。
- 强制外挂路径点预测器可能帮倒忙：强模型在原本高 SR 任务上反而掉分；但作为可选工具时，fable-5 从 68.3% 升至 76.7%，步数减半、耗时四分之一。
展开章节目录反常识的结果：裸奔的 coding-agent 追平工业级模型
反常识的结果：裸奔的 coding-agent 追平工业级模型
阿德莱德大学吴琦团队的新研究将 coding-agent（如 Claude Code、Codex）原封不动接上机器人，只提供单目摄像头和四个动作按键，不建图、不记忆、不做任何导航训练，在视觉语言导航（VLN）经典基准 R2R-CE 上达到 78% 成功率，追平甚至超过近期用大规模数据训练的工业级导航模型；作为参照，人类在该基准上的成绩是 94%。
这一结果挑战了领域内两条正统路线的共同预设：通用大模型自己走不了路，要么替它练（如 NaVid、StreamVLN、NavFoM），要么替它搭脚手架（如 NavGPT、MapGPT、SmartWay）。该研究提出的 MIP（Minimal-Interface Probe）方法只保留 observe() 和 step() 两个函数，让推理模型自己决定每一步，论文称之为 agentic embodied control。
在 R2R-CE 第 10 集真实回放中，agent 撞到床角后自己发现“我几乎没动”，主动调整角度绕过，展示了自主纠错能力。
可信度边界
本文信息主要来自机器之心对论文的报道，属于二手转述，具体数据（如 78%、84% 等）均来自论文或报道，未经独立验证。部分结论（如“脚手架价值贬值”）为研究团队的推断，报道中未提供独立验证。
主报道
机器之心
主报道来源