Agent 飞行记录仪 · 抓取小任务 · 3D focus 组 · 罐 0 · 第 2 次

3D focus 组：在共用部分之后多一段：每步动作前，先说清楚下一步决策依赖场景里的哪些部分；把它记成自己构建的 3D 表示，形式不限（点、框、mesh、体素、场景文件都可以）；存进 focus/ 文件夹，随情况变化更新，并在决定下一步时使用。原文见下方“起始 prompt”。

任务：机器人开局站在地上一个罐子前 1 m、正对罐子；把罐子抓起来、抬离地面至少 10 cm，然后调用 done()。最多 20 轮（每调用一次观测算一轮），由服务器强制；成功与否由服务器按“某只手持有罐子且罐子比初始高 ≥ 10 cm”判定，判定结果不回给 agent。
agent：GPT-6 Luna（推理强度 max），Codex CLI 0.157.0，经 Harbor 在独立容器里运行；仿真在另一个容器，agent 只能通过客户端接口访问。
agent 每轮能拿到的全部输入：三路 RGB（头部、左腕、右腕，480×480）、头部深度图、各相机内参与相对底盘的安装位姿、本体感知（关节角、底盘系夹爪位姿、相对开局的里程计、每只手是否持物）、任务文本。每个动作执行期间另录三路相机过程帧（每秒 5 帧，含每帧本体感知），存在 agent 能读的目录里，看不看由 agent 自己决定。
明确不提供：任何物体的位置或身份、世界坐标外参、场景资产。运动规划器只知道机器人自身（关节限位、自碰撞），不知道环境中的物体。

结束：持住罐子并抬高 22.0 cm，第 8 轮开始持罐，共 10 轮（服务器判定成功）。请求 54 次，输入 1.94M token（缓存 1.85M），输出 35.9k（其中推理 24.5k）。全新进程重放：物体最大差 0.0001 m，底盘 0.0 m，一致。