编程智能体给工厂机器人写程序，成绩离人类只差 5 个百分点：伯克利和英伟达发布新基准

不靠采集数据训练、而是直接写机器人程序的 AI 编程智能体，在加州大学伯克利分校和英伟达的一组新工厂任务上，成绩离人类程序员只差 5 个百分点。两支团队 11 月 9 日公开了基准 VABAR 的代码：8 个模型要为挂工具、装注射器、插 USB-C 线等 5 项任务写程序，用的是同一个含 33 项技能的技能库，并从物理仿真器拿到两轮执行反馈。Claude Opus 5.5 的总体成功率是 77%，人类写的参考程序是 82%。据 The Robot Report 11 月 11 日报道，Ken Goldberg 团队和英伟达本周在奥斯汀的 CoRL 2026 上展示了这项工作。

对零件会变、但工位已知的工作来说，这让写代码比端到端机器人模型更实用，而真正拉开差距的是选哪个编程模型。VABAR 页面写道：“起点只差几个百分点的模型，经过两轮反馈后会相差 30 个百分点。”两轮之后，8 个模型从 77% 一路排到 DeepSeek V4 的 44%。

零件位置一打乱，VLA 就掉队了

VABAR 背后的框架叫 Graph-as-Policy（GaP）。它把任务拆成感知、抓取、运动规划等节点，由智能体编写、连接，先在仿真里把各种变体演练一遍，再上真机。它输出的是 Python 代码，底层控制调用厂商现成的模块，比如 KUKA 的。在 GaP 论文的仿真测试里，物体几乎不动时，VLA 模型表现很好：π0.5 在 LIBERO 上得 0.96，MolmoAct2 得 0.97，GaP 是 0.95。作者把物体位置重新排列后，π0.5 跌到 0.15，MolmoAct2 跌到 0.26，GaP 仍有 0.97。在真实的双臂洗筐任务里，GaP 150 次成功 143 次，人工精调的专家程序是 148 次；每小时成功 18.33 次，专家程序是 19.33 次。

工业界已经在试。据 The Robot Report，博世正在评估把这套方法用于工业自动化。Goldberg 担任顾问的 Ambi Robotics 联合创始人 Jeff Mahler 说，它“把生产数据转化成了机器人行为的更新，提高了我们美国机队的吞吐量”。

反方最强的理由在于谁来打分：框架、技能库、任务和人类基线都出自同一批实验室。人类在挂工具上以 87% 胜过所有模型，最好的模型只有 60%；在理线任务上人类却只有 47%，8 个模型都在 72% 到 83% 之间。VABAR 作者说更难的测试集即将推出。外部团队在自己的工位上跑一遍，才能知道这 5 个百分点的差距站不站得住。