arXiv 2026年10月2日PyRUA-Lean 是一个交互式代码执行框架，让 VLM 智能体把经典机器人原语与冻结的 VLA 策略组合进 Python 单元，在单元内做条件检查与本地重试，并只把显式请求的图像与状态反馈交回模型；在 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真任务实例上，与使用同一 GPT-6 Astra 规划器和同一批原语的工具调用基线相比，同等 LLM 调用预算下总体成功率从 63.1% 升至 71.7%，在两者都解出的实例上 LLM 调用减少 49%、输入 token 减少 65%。PyRUA-Lean 是一个交互式代码执行框架，让 VLM 智能体把经典机器人原语与冻结的 VLA 策略组合进 Python 单元，在单元内做条件检查与本地重试，并只把显式请求的图像与状态反馈交回模型；在 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真任务实例上，与使用同一 GPT-6 Astra 规划器和同一批原语的工具调用基线相比，同等 LLM 调用预算下总体成功率从 63.1% 升至 71.7%，在两者都解出的实例上 LLM 调用减少 49%、输入 token 减少 65%。PyRUA-Lean 让 GPT-6 Astra 机器人智能体在同等调用预算下把成功率从 63.1% 提到 71.7%，共同解出的任务上少用 49% 调用与 65% 输入 tokenPyRUA-Lean 是一个交互式代码执行框架，让 VLM 智能体把经典机器人原语与冻结的 VLA 策略组合进 Python 单元，在单元内做条件检查与本地重试，并只把显式请求的图像与状态反馈交回模型；在 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真任务实例上，与使用同一 GPT-6 Astra 规划器和同一批原语的工具调用基线相比，同等 LLM 调用预算下总体成功率从 63.1% 升至 71.7%，在两者都解出的实例上 LLM 调用减少 49%、输入 token 减少 65%。PyRUA-Lean 是一个交互式代码执行框架，让 VLM 智能体把经典机器人原语与冻结的 VLA 策略组合进 Python 单元，在单元内做条件检查与本地重试，并只把显式请求的图像与状态反馈交回模型；在 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真任务实例上，与使用同一 GPT-6 Astra 规划器和同一批原语的工具调用基线相比，同等 LLM 调用预算下总体成功率从 63.1% 升至 71.7%，在两者都解出的实例上 LLM 调用减少 49%、输入 token 减少 65%。
arXiv 2026年10月2日作者提出 PyRUA-Lean——一种交互式代码执行框架，将反馈驱动的机器人原语组合与选择性观测结合，让智能体把经典机器人原语与学习到的视觉-语言-动作（VLA）策略组合进 Python 单元以执行条件检查与局部重试，仅返回显式请求的图像与状态反馈用于重新规划；在 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 个模拟任务实例上，与使用同一 GPT-6 Astra 规划器和相同底层机器人原语的工具调用基线相比，在相同 LLM 调用预算下总体成功率由 63.1% 提升至 71.7%，在两者均解决的实例上减少 49% 的 LLM 调用与 65% 的输入 token。作者提出 PyRUA-Lean——一种交互式代码执行框架，将反馈驱动的机器人原语组合与选择性观测结合，让智能体把经典机器人原语与学习到的视觉-语言-动作（VLA）策略组合进 Python 单元以执行条件检查与局部重试，仅返回显式请求的图像与状态反馈用于重新规划；在 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 个模拟任务实例上，与使用同一 GPT-6 Astra 规划器和相同底层机器人原语的工具调用基线相比，在相同 LLM 调用预算下总体成功率由 63.1% 提升至 71.7%，在两者均解决的实例上减少 49% 的 LLM 调用与 65% 的输入 token。PyRUA-Lean 让 GPT-6 Astra 机器人智能体成功率从 63.1% 升至 71.7%，同时减少 65% 输入 token作者提出 PyRUA-Lean——一种交互式代码执行框架，将反馈驱动的机器人原语组合与选择性观测结合，让智能体把经典机器人原语与学习到的视觉-语言-动作（VLA）策略组合进 Python 单元以执行条件检查与局部重试，仅返回显式请求的图像与状态反馈用于重新规划；在 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 个模拟任务实例上，与使用同一 GPT-6 Astra 规划器和相同底层机器人原语的工具调用基线相比，在相同 LLM 调用预算下总体成功率由 63.1% 提升至 71.7%，在两者均解决的实例上减少 49% 的 LLM 调用与 65% 的输入 token。作者提出 PyRUA-Lean——一种交互式代码执行框架，将反馈驱动的机器人原语组合与选择性观测结合，让智能体把经典机器人原语与学习到的视觉-语言-动作（VLA）策略组合进 Python 单元以执行条件检查与局部重试，仅返回显式请求的图像与状态反馈用于重新规划；在 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 个模拟任务实例上，与使用同一 GPT-6 Astra 规划器和相同底层机器人原语的工具调用基线相比，在相同 LLM 调用预算下总体成功率由 63.1% 提升至 71.7%，在两者均解决的实例上减少 49% 的 LLM 调用与 65% 的输入 token。