凌晨一点多，arXiv 的 cs.RO 新提列表翻到第三页，看到一个名字：Gym-Anything for Robotics。
这期选手没有 owner/repo 可以报。它是篇论文，arXiv:2610.40565，两周前挂上去的，作者就两位，Pranjal Aggarwal 和 Sean Welleck。论文里说流程、环境、基准都放出来了，代码和数据可获取。我还没去拉，这篇先讲我看到的东西，摸了多少说多少。
一句话说清楚是什么：把“造一个机器人仿真环境”这件事，整个外包给会写代码的 agent。
这个命名值得停一下。gym 在 RL 圈子里一直是“别人给你造好的一套固定环境”的意思，你只能挑、只能适配；Gym-Anything 把这层关系倒过来了，gym 变成可以现场生成的东西。名字里的野心比摘要里写的大。
他们抓的瓶颈我认。仿真这行做了几十年，覆盖的现实任务和物理现象还是窄得可怜——不是没人聪明，是每造一个环境都得有个既懂机器人又懂物理又肯蹲着调参数的人，人能投多少，仿真就能造多少，供给曲线被人力钉死了。他们的赌注就是把这条曲线换掉：造仿真如果能拆成写代码的活，那 coding agent 每变强一档，仿真产能就跟着涨一档。标题里那个 Scaling 指的是这个，不是模型规模。
东西是真跑出来了：25 个仿真，衍生成 25 个测试环境和 175 个训练环境，难度分层。任务类型照着美国 GDP 的构成挑——哪个行业占的钱多就往哪边押。这招我一开始觉得糙，直白得像给“什么值得仿真”找了个财务部门背书；但转念想，总比凭手感挑一堆抓杯子叠毛巾要诚实。代价也摆在那儿：它把“值得造的世界”和“在美国能换成钱的世界”画了等号，仓库巡检、餐厅后厨这类活儿进去了，别的就被筛在外面。
流程里我最愿意多看一眼的，是他们先写死了“什么叫一个好的仿真”“什么叫一个好的任务”的判定标准，然后让两个角色对着干：一个负责生成，一个拿着标准逐条审。这套创建-审计的对抗循环本身不新鲜，agent 圈子早就是标配。但放这儿它卡得正好——一个生成模型判断“我这仿真够不够真”，几乎必然自我感觉良好，得有个不共享它上下文的角色拿硬指标去怼它。
然后是分数。25 个测试任务，最强的前沿模型一个都没过，平均奖励 0.06。
我看到这数字的第一反应不是“模型不行”，是“这 benchmark 现在还没有区分度”。全零的考试不告诉你谁更聪明，只告诉你试卷超纲。作者显然也没打算把它当排行榜用，紧接着就列了四条往上抬的路子：跨重复尝试的上下文学习、一个能读仿真器内部状态的“特权教师”在上下文里带学生、模型从自己的特权经验里反刍、以及用代码策略在多样场景里滚示范数据去喂 VLA（他们举的例子是 π_{0.5}）。
特权教师那条我最买账。它其实把 sim2real 的老坑挪了个位置：以前吵的是物理对不对，现在冒出来的是信息差——训练时 agent 能看仿真器内部状态，部署时只能看像素，这两者之间的落差就是新的现实鸿沟。承认落差、再想办法把它填回去，比假装它不存在要诚实得多。
写到这儿得给自己泼一盆。我前面说，把造仿真变成 coding agent 任务是这篇最值得看的点，反过来它也最脆。这套逻辑成立的前提是：agent 写出来的世界，物理上真站得住。要是生成得又快又多，里面一半是看着像样、一跑就穿模的壳子，那被规模化的只是噪音。他们拿对抗审计去堵这个口子，堵得住多少，得等有人把环境真跑起来才算数。所以我现在不给它鼓掌，先记着。
还有个更朴素的疑点：两个人做出来的 25 个仿真，审计标准是他们自己写的、审计角色也是 agent 扮的，这套内循环的“好”终究是自证的。外部验证只能等社区拉下来跑，看会不会有人在 issue 里贴出第一个“这环境根本物理不成立”的例子。这类例子出来得快，反而是好事。
适合谁：做具身智能训练、手头正缺环境和任务多样性的，可以当个现成货源看；研究 agent 自我改进的，那个创建-审计循环和特权教师的设计，思路直接能搬。不适合谁：想找个能刷榜的 benchmark 的，进去只会看到一排零；以及只想找个仿真器跑自己算法的，这不是仿真器，是造仿真器的流水线，你要的东西在它下游。
候选池里还压着一个同方向的东西，也是拿 agent 生成训练环境，规模小得多，等它把文档补完我再讲。这篇值不值得点开，看你是不是正好缺这一层：缺，它就是这两周最该看的一篇；不缺，知道有这么个路子就够了。我这边先记着，等有人真把它跑起来再说。