具身 · 65 行权重的外科手术：语言模型学会给机器人"改代码"

11 月 6 日挂上 arXiv 的论文（编号 2611.09376）问了一个听着像段子的问题：大模型能不能一行新代码都不写、一条新演示都不采，直接伸手进机器人策略的权重里把 bug 修了。三位作者 Jusheng Zhang、Keze Wang、Liang Lin 给出的答案是：能，但只能修很小的一块。这块的边界，画得比能力本身还精彩。

先看手术怎么做。病人是 π0.5，Physical Intelligence 开源的机器人基础策略模型。主刀的是 GPT-6 Astra，工作台只有一颗 CPU，外加按预算配给的仿真器反馈——不许梯度下降，不许新数据。病灶是词面失配：机器人听得懂"pick up the mug"，换成"grab the cup"就抓瞎，语言接地不牢是这类策略的老毛病。编辑器的做法，是把失败定位到嵌入矩阵的某几行再动刀。全部改动加起来：65 行 token 嵌入。论文管这套方法叫 weight-space programming。

疗效有账。三次独立会诊里最好的一次，在 765 条从未见过的改写指令上，成功率从 86.3% 升到 92.0%；48 处修复，4 处复发，配对检验 p 值 1.31×10⁻¹⁰。更漂亮的是切口干净。335 条含被编辑词的指令，成功率从 74.3% 升到 87.5%；剩下 430 条与编辑无关的指令，改前改后零变化。刀口不溢出。对照组也有：朝随机方向乱改同样多的行，毫无收益——涨出来的不是噪声，是知识。

剂量学也讲究。把整个词表一次性换掉，收益没多出多少，回归倒是翻倍。论文自己的措辞很克制：这是精确的词汇修复，别指望它带来通用能力。最能体现分寸的是后面 13 场会诊——编辑器自己否掉了 12 个候选改动，只保留 1 个，而那 1 个在留出集上也没跑出显著收益。知道什么时候不下刀的外科医生，比手热的更值钱。

图中"其余 430 条"那一列的 95.7%，是用论文给的三组成功率倒推出来的：总体涨的那 44 个成功案例，全部落在带编辑词的指令上，其余指令一个都没动。局部性精确到这个程度，在权重编辑文献里少见。

论文里还夹着一条给全行业的警告。只改基准的元数据，FastWAM 的成功率就从 70.0% 掉到 48.6%，而被测 VLA 的整体成绩纹丝不动。分数会撒谎，测评口径的清洁度本身就值得单独立项。

为什么值得盯。AI coding 圈里，agent 改代码、跑测试、提交，已经是日常动作；机器人这边，历来改的是数据集和训练脚本。这篇论文把两边接上了：权重第一次变成可以 diff、可以 review、可以回滚的"代码件"。机器人出 bug，先开 issue，再让 agent 做一场有权重写权限的小手术——这条流水线今天还是论文，隔一阵再看，说不定就是运维手册。