具身导航大模型白训了？coding-agent裸接机器人，成功率78%反超工业级专用模型

不建图、不记忆、零训练：coding-agent 被直接扔进屋里，导航成绩反超工业级专用模型。

一图看懂这篇论文。左：三条路线的区别在「谁主导决策循环」：policy 是一张网络每步出动作，workflow 是固定流水线，agentic 是模型自己掌舵。中：最小接口探针，一个 coding-agent，一路单目相机，四个动作，别的什么都没有。右：R2R-CE 主结果。

先交代下背景。视觉语言导航是具身智能的经典难题：给机器人一句话，比如「出卧室，沿走廊走，在盆栽处右转，停在沙发旁」，它得在没见过的房子里走到指定位置。

然后让推理模型自己决定每一步：自己看图、自己想、自己走，走错了自己发现、自己退回去重走。论文把这种组织方式称为 agentic embodied control：推理模型直接掌舵每一个动作，推理和控制始终对齐。

在 R2R-CE val-unseen 随机抽取的 100 条路径上（全部零样本，不做任何训练）：

研究团队在三套 coding-agent 框架（mini-swe-agent、Claude Agent SDK、Codex CLI）× 多个前沿模型上跑完了整个消融矩阵，结论很干脆：

更有意思的是通用性测试：同一套循环、同一个 agent，不做任何针对性开发，直接换基准：

先泼盆冷水：78% 是短指令基准上的成绩。团队特意换上路线更长、指令更啰嗦的 RxR-CE 再跑（同一模型、同一框架），成功率直接掉到 26%；就算把路径点预测器递给它，也只爬到 39%，比自己在 R2R-CE 上的成绩低了 30 个点。

团队还把同一个 Agent 部署到了宇树 Go2 机器狗上，在两个真实室内场景跑了 31 条诊断任务。这批任务是手工设计的，普遍比标准 VLN/EQA 基准更刁钻：有的指令埋着要先观察世界才能判断的条件分支（「出门后看左边，如果只有一个垃圾桶就走过去停下，是多个就改去电梯」）；有的要求边走边数数，还不能数重（「数数这间屋里有几把高椅子，矮凳不算」）；有的要求多段折返回到之前经过的物体旁，还有专门测「身体意识」的过门任务。标准基准考「照路线走」，这批题考的是走路的同时还得动脑、记数、知道自己身子有多大。