华盛顿大学、微软研究院和MIT的研究团队提出了ARCHITECT，把机器人策略获取当成一个交互式程序合成任务：LLM编码智能体合成模块化的机器人程序，调用一套感知与控制工具来操作真实机械臂。在Franka Panda机器人上的8个真机任务、6类挑战中，ARCHITECT在没有使用任何机器人专项训练数据的情况下，成绩超过了VLA模型π0、π0.5和程序合成基线Code as Policies，尤以多步推理任务差距最大。
端到端策略败在不可调试
视觉-语言-动作模型的零样本操作能力已经很像样，但它们是黑箱策略：失败了无法解释、难以修正，分布一偏就出现不可预测的级联失效。现场工程师没法打开π0看看哪一步出了问题，只能换指令重试。
ARCHITECT换了条路：策略不是神经网络权重，是一段人类可读的程序。模块化的结构允许用户把失败隔离到具体模块，把反馈定位在需要的抽象层级上。人用自然语言纠正，纠正通过程序执行轨迹落到具体代码，再蒸馏进一个持久的技能库——一种长期上下文学习，智能体据此积累可复用、可解释的行为。
图：ARCHITECT系统总览。LLM编码智能体合成模块化程序，调用感知与控制工具，人类以自然语言纠正并沉淀进技能库（论文Figure 1）。
8个真机任务横评
评估在真实Franka Panda机械臂上完成，8个任务覆盖6类挑战：拣放之外，还有需要多步推理的组合任务。对比对象是Code as Policies、Physical Intelligence的π0和π0.5，以及消融版本ARCHITECT-VLM。附录里还加了MolmoAct2、GR00T N1.7等VLA和Inner Monologue、ProgPrompt等LLM规划器的扩展对比。
结果的模式比名次更有信息量：拣放类任务大家都能做，差异出在多步推理任务上——π0和π0.5在这些类别外成功率很低，ARCHITECT保持稳定。MolmoAct2只在一个拣放任务上追平ARCHITECT，其余任务均未胜出。
图：真机评估的8个任务与6类挑战，全部在Franka Panda上执行（论文Figure 3）。
图：真机任务执行序列，机械臂在多步任务中指令为「把意面盒竖直放到架子上」（论文Figure 7）。
指令怎么说不重要，说什么才重要
VLA的另一个软肋是指令敏感。团队用表现最好的π0.5做指令扰动实验，从四个维度折腾同一条指令：改写措辞、增减长度、插入干扰项、改变明确程度。π0.5对任务欠明确、过明确和改写都敏感，成功率波动明显；ARCHITECT对这些变化保持稳定。
原因回到结构上：程序合成依赖的是指令的语义内容，代码里的每个模块对应明确的功能，措辞变化不影响模块选择；端到端策略则把整条指令映射成动作序列，指令表面的任何变化都可能扰动这个映射。
图：ARCHITECT与三类基线在泛化、自主性、适应性、任务多样性、信任效率和样本效率上的雷达对比（论文Figure 2）。
图：ARCHITECT（含GCR）与Code as Policies、π0、π0.5在同一长时程任务上的成功与失败帧对比（论文Figure 4）。
技能库复利与下一步部署
单次合成的优势有限，ARCHITECT的复利在技能库：一次纠正沉淀下来的技能，后续同类任务直接复用。论文测量了这种摊销效应——技能库让智能体在新领域任务上的表现持续改善，人类监督的投入随任务数摊薄。
部署门槛也需要交代：每次合成都要调用LLM编码智能体，执行依赖一套为机械臂准备的感知与控制工具，任务环境变化大时工具库本身要扩充。人类评估的另一组数据支撑了这个判断：技能库填充之后，人机循环试验需要的提问次数变少，成功率没有下降——技能库摊销的正是监督成本，而不是用质量换效率。对工业场景里任务结构相对固定、但指令表达多变的需求，这套「程序即策略」的路线给出了一条和端到端VLA完全不同的工程答案。
