論文の概要: Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence

• arxiv url: http://arxiv.org/abs/2609.35432v1
• Date: Mon, 28 Sep 2026 15:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:29:49.771148
• Title: Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence
• Title（参考訳）: 自己進化型コーディングエージェント:デジタルプログラムから物理世界インテリジェンスへ
• Abstract要約: 視覚言語アクション(VLA)と世界行動モデル(WAM)は、観察と指示を直接ロボットアクションにマッピングする。 タスク要件、条件、進捗、障害回復は暗黙的にアクションシーケンスにエンコードされる。 タスクの状態と実行をコードとして表現する物理符号化を提案する。
• 参考スコア（独自算出の注目度）: 11.274316348116798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) and world-action (WAM) models map observations and instructions directly to robot actions. This directness ties a policy to training: minor layout or viewpoint changes cause failure, and instructions generalize poorly. The root cause lies in representation: task requirements, conditions, progress, and failure recovery are implicitly encoded in action sequences, making them difficult to inspect or revise. Digital coding agents offer a precedent: LLMs call tools, verify results, and revise from feedback as executable code. The same working pattern of explicit state, manageable execution, and revisable procedures underlies generalization and long-horizon execution in the physical world, letting physical experience return as reusable programs, memory, or evidence. We propose Physical Coding, representing task state and execution as code. Code as World records objects, relations, constraints, and progress; Code as Policy organizes planning, verification, recovery, and execution. We build HexaAnything, which calls perception, planning, and control tools, including VLA/WAM policies, and makes in-the-loop decisions from external feedback. Verified traces become data and memory, enabling evolution from tools and Harness to model weights, architectures, and ultimately hardware and task design. On RoboCasa365, HexaAnything improves Composite-Unseen and overall success over XR-1 VLA, and its Harness-trained HexaModel beats the base on every split, indicating code traces internalize physical execution. On PhyBench and a dual-arm AgileX robot, the agent autonomously completes physics experiments and most tabletop tasks, often faster than published results. We observe data, model, and tool self-evolution; future work targets weight internalization, autonomous redesign of architectures, languages, representations, and tasks, and deployment in manufacturing and science.
• Abstract（参考訳）: 視覚言語アクション(VLA)と世界行動モデル(WAM)は、観察と指示を直接ロボットアクションにマッピングする。 マイナーなレイアウトや視点の変更が失敗を招き、命令の一般化が不十分である。 タスク要件、条件、進捗、障害回復は暗黙的にアクションシーケンスにエンコードされ、検査や修正が困難になる。 デジタルコーディングエージェントは前例を提供する: LLMはツールを呼び出し、結果を検証し、実行可能なコードとしてフィードバックから修正する。 同じ作業パターンである明示的な状態、管理可能な実行、修正可能な手順は、物理世界での一般化と長期水平実行の基盤となり、物理体験を再利用可能なプログラム、記憶、エビデンスとして返すことができる。 タスクの状態と実行をコードとして表現する物理符号化を提案する。 コード・アズ・ワールドはオブジェクト、関係、制約、進捗を記録し、コード・アズ・ポリシーは計画、検証、回復、実行を組織する。 私たちは、VLA/WAMポリシを含む知覚、計画、制御ツールを呼び出し、外部からのフィードバックからループ内決定を行うHexaAnythingを構築します。 検証されたトレースはデータとメモリになり、ツールやHarnessから重み、アーキテクチャ、究極的にはハードウェアとタスクの設計をモデル化する進化を可能にする。 RoboCasa365では、HexaAnythingはXR-1 VLAよりもコンポジットアンズと全体的な成功を改善し、HarnessでトレーニングされたHexaModelはスプリット毎にベースを破り、コードトレースが物理的実行の内部化を示す。 PhyBenchとデュアルアームのAgileXロボットでは、エージェントが物理実験とほとんどのテーブルトップタスクを自律的に完了する。 私たちは、データ、モデル、ツールの自己進化を観察し、将来の作業は、軽量な内部化、アーキテクチャ、言語、表現、タスクの自律的再設計、製造と科学への展開を目標としています。

関連論文リスト

• HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
  本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。 ロールアウト内では、プログラムレベルでオープンループを実行する。 デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
  論文  参考訳（メタデータ） (2026-09-24T07:40:00Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence [31.954261925882452]
  このサーベイは、視覚的に接地された入力と出力の下でコードを生成し、編集し、洗練し、理屈を定めているシステムを調べます。 まず、コードが各タスクで果たす役割によってフィールドを定式化します。 次に、ベンチマークとメソッドをグラフィカルユーザインタフェース、システミックビジュアライゼーション、構造化グラフィックス、フロンティアタスクとフレームワークの4つのドメインにまとめます。
  論文  参考訳（メタデータ） (2026-06-14T17:21:43Z)
• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• The Semi-Executable Stack: Agentic Software Engineering and the Expanding Scope of SE [3.6320170149653985]
  AIベースのシステムは、ソフトウェアエンジニアリングに対する脅威として、ますます議論されている。 この論文は別の読み方を主張する。 設計されているものは、実行可能なコードから半実行可能なアーティファクトへと拡張するということです。
  論文  参考訳（メタデータ） (2026-04-16T18:36:02Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。