只改65行词嵌入，机器人成功率74.3%升至87.5%

一条指令换个说法，机器人就抓瞎了。研究者让机器人「启动烹饪设备的热源」，原始策略却伸手去拿盘子，执行300步仍未完成任务。换上修改后的权重，同一个场景、同一条指令、同一个随机种子，机器人在第78步完成了任务。

完成这次修复的，是GPT-6 Astra。它被放在调试器的位置上，负责检查和修改机器人策略的权重。整个编辑过程没有做梯度更新，也没有新增机器人示范数据。

这项研究由Jusheng Zhang、Keze Wang和Liang Lin共同完成，论文题为《Can LLMs Debug Robots by Editing Their Weights?》。研究关心的是一个具体问题：机器人已经具备的操作能力，能否通过局部权重修改，被不同的语言表达更可靠地调用？

65行改在语言进入模型的地方

一条指令进入模型后，会先被拆成词元（token）。词元不一定等于完整英文单词。随后，模型按词元ID从嵌入表中取出对应的一行向量，后续网络处理的就是这些数值表征。

Astra最终保留的修改，集中在这张嵌入表上。它选出一部分词元，把向量移向更常见的任务表达，例如 cooker→stove、basin→bowl、fermented→wine。有些行采用目标向量，有些保留一部分原向量；遇到歧义，也可以使用多个目标向量的均值。

开场炉灶指令里的 cooking 就是一个具体例子。对应词元的嵌入被改为25%的原向量，加上75%的 stove 向量。输入给机器人的文字仍然包含 cooking，但进入后续网络的数值表示发生了变化。这一行属于整份65行修改，研究没有单独评估它的效果。

其余案例也保留了可检查的对应关系：酒瓶指令中的 fermented、grapes 被移向 wine；取碗指令中的 rounded 被移向 bowl，uppermost 被移向 top。完整词元映射和配对录像均已公开。

65行共改变132,768个参数值，占导出检查点的0.00367%。这里的「行」是嵌入表的行数，并非65个参数，也不是65行代码。

765条留出指令：48次修复，4次退化

一例成功视频还不能回答修改是否可靠。研究从同一个原始检查点分别开始三次编辑。候选确定后，再在同一组765条留出改写指令上与原始策略配对比较。

效果最好的C，将成功数从660提高到704：48个原本失败的回合成功了，同时有4个原本成功的回合失败，净增加44次成功。整体成功率从86.3%升至92.0%，提升5.8个百分点，精确配对检验 p=1.31×10⁻¹⁰。

把指令按是否读到被修改的嵌入行分开，变化的位置更清楚：

• 包含被改词元的335个回合，成功数从249增至293，对应74.3%→87.5%；
• 不包含这些词元的430个回合，成败结果逐一不变。

这种局部性有一个直接解释：如果指令没有读取被改动的行，查表得到的文本向量就相同。在相机观察、采样噪声等输入固定时，其余未改动的网络得到的计算输入也相同。但包含这些词元的其他新语境仍可能受到影响，不能据此保证模型在所有任务上都没有副作用。

取碗任务中，指令用「darkcolored rounded container」和「uppermost storage compartment」描述目标及位置。相同场景下，原始策略在220步超时，编辑后的策略在138步成功。酒瓶任务把目标描述为装着「fermented grapes」的玻璃容器，原始策略在300步超时，编辑后在90步成功。上述效果来自整份65行修改，未对单个词元分别做消融评估。

换一组同义词，就能做到吗？

一个自然的问题是：收益来自Astra找到了有意义的词汇对应关系，还是随便做一点参数扰动也能改善结果？研究对相同的65个源行做了两种对照。

第一种沿随机方向移动，移动距离与原修改匹配。第二种沿用Astra找到的词汇对应关系，把源嵌入完整替换为目标嵌入，也保留多目标均值的设置。这里比较的是嵌入值的完整替换，输入字符串没有被改写。

这次随机方向对照没有带来提升。完整替换则已经解释了相当一部分收益：成功率达到90.5%。这意味着，找到哪些词元需要改、应该移向哪里，本身就是修复的重要部分。

Astra编辑C的成功率为92.0%，点估计更高，退化也更少；但它与完整替换在763个有效配对上的直接比较 p=0.0614，尚未达到0.05的显著性标准。因此，现有结果没有确认「部分混合显著优于完整替换」，也没有证明它优于独立编制的人工词表、提示词改写或微调方法。

公开的16次机器人实验，还覆盖了相机视角、背景、语言扰动、指令后缀，以及LIBERO-RECOVER失败恢复和LIBERO-PRO鲁棒性搜索。按论文的最终决定统计，三次语言修复全部保留，且都有显著留出收益；其余13次搜索中有12次放弃候选，唯一计为保留的后缀跟进也没有显著留出收益，p=0.542。

失败恢复实验很能说明区别。一份修改让机器人空抓后更经常重新张开夹爪，但在一组练习评测中，真正完成任务的次数反而从213/352降到208/352。某个内部信号按预期变化，整个任务却没有变好。

论文标题问的是：LLM能靠修改权重调试机器人吗？这组实验对一类词汇理解失败给出了肯定结果：少量直接权重修改，让一批留出指令更可靠地调用了策略已有的操作行为。语言到动作的完整因果通路，目前还没有逐层定位。

验证范围也有明确边界。主留出测试使用同一随机种子；早期200条留出子集未检出显著提升，随后是在既有完整留出划分上评测同一候选。补充的多种子检查来自练习集，收益不均匀。所有已公开结果均来自仿真，尚未验证真机迁移或新运动技能的获得。

当前开源的是第一版（v1），第二版研究和真机实验正在进行。