一句话看懂：HexaShell 让基于 VLM 的编码智能体通过命令行操控双臂机器人，在 RoboDojo 的 42 项任务上取得 39.7% 成功率和 48.0 进度分，被论文描述为该基准的新最优。它值得关注的地方不只在于分数，而在于把智能体的经验固化成了可复用的代码工具。
事件核心：发生了什么
Hugging Face Papers 收录的论文摘要显示，HexaShell 是一个刻意做薄的执行外壳，只负责把智能体发出的命令转成机器人动作。智能体通过一条命令行驱动双臂机器人，输入是三路 RGB 相机画面，并掌握相机标定信息。每次失败后，它读取日志、定位原因，再编写或修复称为 tool 的小程序，把学到的东西保留为代码，而不是参数或权重。
这些工具只能使用机器人自身观测到的信息，通过三角定位判断物体相对彼此和夹爪的位置；头部相机不够用时，机器人会移动腕部相机获取第二视角。摘要称，工具仅在每个任务一个随机种子的十种布局上构建，随后冻结并在同种子下十个新布局上测试。评测使用 Codex 搭配 GPT-6-Astra，推理强度为 medium。在全部 42 个 RoboDojo 任务上，平均成功率为 39.7%，进度分 48.0，统计口径与榜单一致。作者同时公开了目前已演化出的工具代码。
为什么重要
目前公开信息显示，这个结果的意义在于验证了一条不同于端到端策略学习的路线：让大模型智能体像修测试一样修机器人程序。它把推理能力和运动控制分开，薄外壳降低了智能体与硬件之间的耦合，失败日志则成为下一轮代码修改的输入。这类可解释、可沉淀的“代码化经验”对机器人应用开发有直接参考价值。
但摘要也给出了清楚的边界：瓶颈在接触而非推理。推任务成功率达 92.5%，带记忆的任务为 65.0%，而精细插入只有 8.3%。智能体往往能看懂失败原因，却无法让动作真正做对。这说明在高精度力控和接触丰富的操作上，仅靠视觉与代码生成仍不够。
对用户/开发者/创作者的影响
对开发者而言，这套设计的启发在于工具层和外壳层的职责划分，以及将三角定位、平面求交、主动移动腕部相机等视觉几何操作封装成可复用工具。GitHub 上已开源的演化工具可以作为研究起点，但摘要未说明其成熟度、硬件适配范围和许可证，不宜直接当作生产组件。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对关注机器人落地的团队来说，推、抓取等相对简单的任务已具备一定成功率，精细装配仍是短板。若考虑采用 VLM 智能体方案，应优先评估任务对接触精度的要求，并准备传统控制或专用策略作为兜底。
值得关注的后续
一，作者提到已开源工具，后续是否补充完整实验、失败案例和复现说明，将决定该路线能否被社区验证。二，精细插入仅 8.3%，后续工作是否引入力觉、触觉或多轮自我修正来突破接触瓶颈。三，39.7% 是限定在 RoboDojo 42 项任务和特定模型配置下的结果，其他团队在相同条件下能否复现，是判断其行业意义的关键观察点。
