コードをポリシーとして再活用：フロンティアエージェントがロボットツールを書き、呼び出し、進化させる

- フロンティアモデルによるロボット制御を、コードをポリシーとして再解釈する枠組み。 - URAI (Universal Robot-Agent Interface) を提案。 - programming agent が再利用可能な robot tool を生成・改良。 - execution agent が観測から tool を選択・パラメータ化して呼び出す。 - 各 tool 呼び出しは完全な動作をローカル実行し、その後モデルに制御を戻す。 - 人間とエージェントが同じ tool を共有できる GUI と API を提供。

- 従来の『毎ステップ推論』型制御は遅く token 消費が大きい。 - 生成プログラムに以降の判断を委譲する手法と異なり、tool 実行間でモデルレベルの意思決定を保持。 - 検証済み tool 改訂は foundation-model の重み更新なしで episode を跨いで永続化。 - 直接 fingertip control 比で aggregate success を 18.0% から 53.0% に向上。 - 事前に書いたプログラムは 24% に対し、各呼び出し後に 2 agent が判断すると 56%。

- programming agent が task intent から再利用可能・タスク特化の tool を書き、実行フィードバックと人間指導で改良。 - execution agent が現在の観測から tool を選択・パラメータ化。 - 各 tool 呼び出しは完全な動作をローカル実行し、その後モデルに制御を戻す。 - 検証済み tool 改訂は重み更新なしで episode を跨いで永続化。 - 人間とエージェントが同じ tool を使える共有 GUI と API。

- 5 つの RoboDojo タスクと 4 つの frozen execution agent で評価。 - 直接 fingertip control 比で aggregate success が 18.0% から 53.0% に向上、Swap Blocks で最大の改善。 - 同じ tool で事前プログラムは 24%、各呼び出し後に 2 agent が判断すると 56%。 - 4 agent 中 3 つで episode 完了が 1.3-1.5 倍速く、execution-agent output token が 1.5-1.7 倍少ない。 - DeepSeek-V4-Flash のコストはほとんど変化なし。 - 7 つの実世界 AgileX dual-arm タスク (物体操作、布折り、人間対話型 tic-tac-toe) でも評価。

- 要旨からは不明。 - 限界や失敗事例、一般化可能性についての議論は要旨に記載なし。

- 要旨で参照/比較されている研究: 直接 fingertip control、生成プログラムへの委譲手法。 - 関連手法: RoboDojo、AgileX dual-arm、DeepSeek-V4-Flash。 - 同分野の定番: code-as-policy、robot tool learning、LLM-based robot control。