Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence
Aggiunta all'archivio di AIChronos il (numero del 29 settembre 2026 ricostruito)· fonte del · Hongcheng Gao, Jingjing Zhou, Zelin Zheng, Shijia Ge, Jay Zhu, Yazhe Wang (HexaFuture)
Il paper propone 'Physical Coding', un paradigma che rappresenta lo stato del compito e l'esecuzione robotica come codice eseguibile invece di sequenze d'azione implicite. Questo approccio permette ai modelli VLA/WAM di generalizzare meglio, correggersi autonomamente tramite feedback esterni ed evolvere le proprie capacità trasformando tracce verificate in dati o pesi dei modelli (HexaModel). L'autore dimostra che questa architettura supera i limiti attuali degli agenti diretti su compiti fisici complessi e non visti. Il sistema HexaAnything integra percezione, pianificazione e controllo per completare esperimenti di fisica autonomamente.
- Sostituzione delle policy implicite con codice esplicito (Code as World/Policy) per migliorare l'ispezionabilità e la revisione dei processi.
- HexaAnything utilizza un ciclo in-the-loop che converte le tracce di esecuzione verificate direttamente in memoria o nuovi dati di addestramento.
- Il modello Harness-trained supera i modelli base su tutti gli split del dataset RoboCasa365, inclusi compiti non visti durante l'addestramento.
- L'agente è capace di completare autonomamente esperimenti fisici e task da tavolo più velocemente rispetto ai risultati pubblicati esistenti.
- La visione futura include l'autonomia nel ridisegno delle architetture dei modelli e dell'hardware stesso basandosi sull'esperienza fisica.
Perché conta. Per gli sviluppatori di agenti AI, questo lavoro offre un percorso concreto per superare la fragilità degli attuali VLA su cambiamenti ambientali minimi, trasformando l'esecuzione robotica in codice revisionabile simile agli LLM tradizionali.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.