O jeito padrão de ensinar a um robô uma nova tarefa de manipula ção é reunir dezenas de demonstrações e treinar uma política, gravando a habilidade nos pesos da rede. Um novo preprint argumenta que um modelo de linguagem congelado pode se sair melhor fazendo o que os agentes de programação já fazem: testar, observar o que acontece e anotar o que aprendeu, com um simulador no papel que o terminal cumpre no software.
Os autores chamam a ideia de aprendizado em contexto com o mundo e constroem uma plataforma, o RoboScript, para executá-la. A partir de uma única demonstração, o agente ensaia cada tarefa em simulação, condensa o que funciona numa Task Memory em texto simples, depois congela essa memória e é testado em cenas que nunca ensaiou. A tese central é que o que o agente guarda é semântico, como o papel de cada objeto e quais passos deram errado, e não a aparência da cena, por isso se transfere para novas disposições. Os agentes que agem veem apenas imagens de câmera, profundidade e leituras das articulações, as mesmas entradas de um robô real, e um verificador rejeita memórias que vazem coordenadas do simulador ou outros dados privilegiados.
Nas 50 tarefas do benchmark RoboTwin 2.0, o RoboScript chegou a 83,4% de sucesso médio em cenários limpos e aleatorizados, com uma demonstração por tarefa e sem atualização de gradientes. A política treinada mais forte, com 50 demonstrações, chegou a 61,7%. Sob aleatorização visual o contraste é maior: o FastWAM, um modelo de ação e mundo muito usado, marca 77,8% em cenas limpas, mas 1,9% quando iluminação e texturas mudam. Os resultados crescem com o modelo conectado: o GPT-6.1-Sol fez 83,6% e 83,2% em cenas limpas e aleatorizadas, o GPT-5.6-Luna 79,8% e 76,0%, e até o leve DeepSeek-V4.1-Flash superou a melhor política treinada. Os autores também relatam ter transferido as memórias para um robô físico de dois braços por meio de um pequeno adaptador.
A mudança interessante está em onde o trabalho acontece. Em vez de mais dados e mais treinamento, o custo vai para a inferência: muitas chamadas ao modelo durante o ensaio e a reflexão. Equipes que já usam agentes de programação baseados em GPT ou Claude vão reconhecer o ciclo, e provavelmente as mesmas falhas, de chamadas desperdiçadas a erros cometidos com confiança.
As ressalvas pesam. Os resultados vêm quase todos de um único benchmark simulado, e a parte do robô físico é uma demonstração, não um teste amplo. O ensaio pressupõe um simulador fiel o bastante à tarefa, o que é fácil em cenas do RoboTwin e difícil numa cozinha real. Nas seções que lemos, o artigo não informa o custo nem o tempo do ensaio por tarefa, e é um preprint sem revisão por pares.