Coding Agents 在广义任务与运动规划上超越手工规划器

论文测试 Claude Code（Opus 5）和 Codex（GPT-5.6 Sol、GPT-6 Astra）能否自动合成可跨实例泛化的任务与运动规划（TAMP）程序。评估覆盖 KinDER 和 PDDLStream 的 28 个模拟环境，共 980 个程序、98,000 个评估回合。在 16 个有规划器可用的环境中，三种编码智能体配置平均成功率达 56% 到 95%，高于手工规划器的 47%。随着物体数量增加，智能体程序保持更高成功率，每个实例平均计算量低一个数量级。论文已公开全部代码和提示词。