你让机器人把积木插进窄槽，它第一次没对准。传统做法往往是重新训练操控模型；HexaShell想试另一条路：让AI像修程序一样，读失败日志、找原因、写个小工具，然后再试一次。区别在于，程序报错最多让测试变红，机器人代码却会变成真实动作。这项工作值得关注，正因为它在追问：一套通用的视觉语言模型，加上一层很薄的控制脚手架，能不能挑战专门训练的机器人策略？
本文数据与结论均来自HexaShell论文；尚无独立复现或第三方交叉验证，论文所称“新纪录”也应按作者报告理解。
把命令行接到机器人身上
HexaShell是一套轻量脚手架（harness）——包在模型外面的工具与规则层。它不替AI判断该抓什么、往哪里放，只把命令翻译成双臂机器人的运动。智能体面对的是一个名为robo的命令行、三台RGB相机的画面和标定参数，以及约60行的接口说明。
视觉语言模型（VLM）能同时理解图片和文字，在这里负责观察与决策。实验使用Codex with GPT-6-Astra，推理强度设为medium。需要提醒的是，这一模型名称及其外部可获得性，目前只有论文自身材料可供核对。
系统把同一模型分成两个角色。执行智能体操作机器人；失败后，优化智能体读取动作记录、相机画面和现有代码，诊断问题，再新增或修改一个小型工具。工具带有单元测试，并会留到后续任务布局继续使用。换句话说，AI积累的不是一段模糊“经验”，而是可以再次运行的代码。
这和电脑上的代码智能体很像：运行测试，看到错误，修改程序，再运行一次。HexaShell只是把“测试结果”换成了机械臂有没有完成任务。论文报告，一轮失败后的修复耗时中位数为6.3分钟，不需要训练模型，也不需要改动模型本身。
先解决“它到底在哪儿”
机器人控制的难点，不只是看懂画面。模型还要把画面里的一个像素，换算成现实空间中的位置。相机标定提供每台相机的位置、朝向和成像参数，但单个像素只能确定一条从相机出发的射线，不能直接告诉机器人目标离它多远。
HexaShell主要用三种办法补上这条信息。若物体位于桌面或另一个已知高度的平面，就计算射线与平面的交点；若两台相机同时看到同一点，就用两条射线交会来估计三维位置；视角不够时，机器人会移动腕部相机，再看一次。这叫主动感知——不是站着猜，而是换个角度确认。
论文称，单目深度模型Depth Anything V2在这些场景中，即使利用桌面修正尺度，头部相机的物体像素深度误差中位数仍为41毫米，腕部相机约为100毫米，而抓取和放置通常需要约一厘米的精度。在相同模型、脚手架和布局下，三角测量的排行榜成功分高出8.7个百分点；逐布局比较，它把57个深度模型失败的布局变成成功，同时在23个布局上落后。
换视角也有成本。RoboDojo会限制机器人实际执行的动作步数。论文统计，三角测量至少把3.6%的执行步数花在观察动作上，43%的回合移动过相机。不过，在发生观察动作的180个布局中，三角测量方案成功39次，深度模型成功22次。至少在这组实验里，多看一眼通常值得。
成绩说明了什么
RoboDojo包含42项双臂机器人任务。HexaShell只用每项任务同一seed下的10个布局开发工具，最多对每个布局修改五轮；随后冻结工具，在同一seed的另外10个新布局上测试。这里的seed可以理解为一套固定的场景生成规则，新布局会改变物体位置等细节，但不等于跨物体、跨任务或跨真实环境泛化。
按论文采用的排行榜平均方式，HexaShell取得39.7%的成功率和48.0的进度分。作者将其称为RoboDojo的新state of the art。论文列出的对照中，世界动作模型VPP2为32.3%和39.3%，PhysicalRSI为31.4%和36.3%；同一基础模型在没有自建工具、只使用基准固定接口时为22.48%和28.97%。这些结果说明，能把失败沉淀成工具代码，至少在该测试设置下带来了明显收益。
更有意思的是能力分布。HexaShell在推动、滑动和按压类任务上成功率达到92.5%，记忆任务为65.0%；但需要毫米级或精细角度控制的紧密插入只有8.3%，12个相关变体中有7个完全没有成功。学习型策略VPP2在精密和长程任务上反而更强。
作者据此认为，当前主要瓶颈是接触操作，而不是推理：机器人经常知道自己失败了，也会不断重试，却无法把动作真正做准。420个开发布局复测回合中有268个失败；排除工具报错后，57%的失败耗尽了动作预算。这个现象支持作者的判断，但还不能排除感知误差、工具实现、控制精度和实验设计共同造成影响。
为什么值得继续看
HexaShell没有证明通用智能体已经可以取代机器人策略。它展示的是一种不同的进步路径：不必把所有能力都压进模型参数，也可以让模型把失败改写成可检查、可复用的小程序。论文最终留下327个任务命令，代码约7.8万行，并公开了演化出的工具。
这也让机器人的学习过程更容易追踪。一次失败究竟来自看错、算错，还是动作做不到，可以沿着日志、工具代码和测试逐步检查。相比一个直接输出动作的黑箱策略，这种形式更接近软件工程，也更方便定位能力边界。
局限与未知
- 所有主要数字、排行榜比较和“新纪录”结论都来自同一篇论文；尚缺官方榜单交叉核对、独立复现和真实机器人验证。
- 开发与测试使用同一seed，只更换布局。“只用10个布局开发”也不等于只交互10次：每个布局可经历多轮尝试与工具修改。
- 8.3%的紧密插入成功率说明，代码式纠错仍难以补上精细接触控制。现有证据不足以把这一差距单独归因于“动作而非推理”。