机器人也会"越练越熟"，但这种能力到底从哪来？PhysRSI-eval 用五轴标尺撬开物理自我改进的黑箱

你有没有观察过一个刚部署的机器人智能体干活：第一次抓积木歪歪扭扭，失败；它改了改代码、记了几条笔记，第二轮、第三轮居然就成了。这个"越练越熟"的过程，论文里叫物理递归自我改进（physical RSI）——模型权重一动不动，全靠工作区里的代码、工具和记忆在物理反馈中滚动迭代。

说实话，我看到这类现象的第一反应是兴奋，第二反应是怀疑：分数在涨，但它到底学到了什么？是场景特化的"应试技巧"，还是真能带走的经验？更进一步，这种自我改进的能力，是由模型的哪块"肌肉"决定的——视觉感知？空间推理？还是写代码的能力？

Galbot Team 这篇 PhysRSI-eval（arXiv:2610.26848）就是冲着这三个问题去的，而且给出了一套相当扎实的测量框架。

核心摘要

这篇论文做了三件事。其一，提出 PhysRSI-eval 基准：6 个前沿 VLM 系统在 RoboDojo 的 18 个双臂操作任务上，以固定交互预算（K0 首试 + 最多 17 轮自我改进）跑完整的"观察—推理—行动—修订"闭环。其二，用五轴指标（首试表现、效率、成功率、预算节省、失败改进）把"改进"这件事拆开量化，并发现公开榜单平均分几乎相同的系统，五轴画像可以天差地别——空间推理最强关联首试表现（\(\rho=0.94\)），感知最强关联成功与改进（\(\rho=0.94\)），而编码能力跟所有轴的关联都弱得可怜（\(\rho\leq0.37\)），由此提出物理木桶假说。其三，通过工作区干预实验证明经验确实被积累下来了：删掉历史后 Astra 的后期成功率从 41.7% 崩到 8.3%，而冻结的工作区在没见过的布局上仍能拿下 25/60 次成功。

我的判断：这不是一篇刷榜论文，而是一篇"测量学"论文，价值在于给整个具身智能体社区提供了一把可复用的尺子。六系统、单链条的样本量决定了结论只能算探索性的，但木桶假说和五轴分解的框架感很强，值得细读。

论文信息

• 标题：Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy
• 作者：Zekai Li, Jiayi Yu, Jinlu Zhang, Luyang Niu, Zekun Qi, Jun Zheng, Xuchuan Chen, Dairu Liu, Yintianrun Zhang, He Wang, Li Yi
• 机构：Galbot Team
• 链接：https://arxiv.org/abs/2610.26848 ｜ 项目页：https://physrsi-eval.github.io/
• 提交日期：2026 年 10 月 19 日

🎯 三个根本问题

论文的结构就是围绕三个问题展开的，teaser 图把全貌讲得很清楚：

图1：PhysRSI-eval 一图速览。Q1 问能力来源——空间能力限制 A1/A2/A4 轴（左木桶），感知能力限制 A3/A5 轴（右木桶）；Q2 问可预测性——从公开基准预测物理 RSI 的转折点与排名，中图曲线显示各系统的 mean best score 随轮次增长，T50 圆圈标记"半收益轮次"，右侧标注 K17 最终分数与预测/观测排名（如 GPT-6 Astra 86.9%，1/1）；Q3 问泛化——改进后的策略能否迁移到未见任务和场景，下方给出闭环抓取迁移（堆积木→用杯子盖积木）和插入策略迁移（插钥匙→插充电器）两个例子。

这三个问题环环相扣：

• Q1 能力从哪来：把物理反馈变成更好的策略，靠的是感知（读懂结果）、空间推理（把观测映射到动作）、还是编码与工具使用（实现并测试修订）？
• Q2 怎么量化和预测：终点分数一个数说不清"何时涨、花多少代价涨"，需要多轴画像；进而问公开能力分数能否预测一个没测过的系统的物理改进表现。
• Q3 过拟合还是泛化：涨分究竟是在练习场景里"死记硬背"，还是积累了可复用的经验？

🏗️ 基准设计：两阶段、一个接口

PhysRSI-eval 的核心设计非常克制：模型权重全程冻结，能变的只有持久化工作区里的技能、工具、策略代码和记忆。

图2：评估流程。顶部是两个阶段共享的任务输入与机器人接口（观测、物理动作、记忆与文件、历史，接入 RoboDojo 双臂仿真环境）。左侧 Evaluate 阶段（K0 首试轮）：单个上下文 episode 内完成 Observe→Reason→Act→Native grade，没有工作区，历史和笔记都留在 episode 里。右侧 Optimize 阶段（K1–KH 自我改进轮）：每轮从持久工作区（Skills/Memory/Tools/Policy）出发执行一次物理尝试，得到原生评分（success、score、reason），然后在机器人动作关闭的状态下自由修订工作区，commit 快照作为下一轮起点，直到首次成功或达到轮次上限。

几个工程细节值得注意：

• K0 与 K1 严格分离。K0 测"裸实力"，每个任务跑 3 次取平均；K1 起进入 Harness 工作区环节。作者很诚实地指出 K0→K1 的涨幅混合了接口变化的因素，所以分析时把 K1–K17 单独视为自我改进段。
• 固定预算。每任务最多 \(H=17\) 轮改进，首次原生成功即停。每轮允许 4200 秒推理，修订时限 GPT 系 1800 秒、Claude 系 600 秒。
• 任务采样讲方法。18 个任务来自 RoboDojo，按官方成功率分成 D1（60–68.7%）到 D6（0–0.4%）六个难度层，每层 3 个，覆盖 Precision、Long-Horizon、Memory、Open、Generalization 五大类别。分层在主评估之前就定死了，不是照着实验结果挑的——这个细节避免了"看菜下饭"的嫌疑。

图3：18 个任务在难度层 × 任务类别上的分布矩阵。D1 层是 Match and pick from conveyor、Arrange the largest number、Push T 这类高成功率任务；D6 层只剩 Plug in a charger、Swap blocks、Pour by language 这种官方成功率不到 0.4% 的硬骨头。

参评的六个系统是 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Sol、GPT-5.6 Sol、Claude Opus 5.5、Claude Sonnet 5.5；Gemini 4 单独跑了 10 个任务的部分实验（K0 均分 0.050，K10 达 0.48，解决 6 个），不计入主对比。

📏 五轴指标：把"改进"拆成五件事

这是我觉得全文最值钱的部分。一个终点分数掩盖了太多信息——涨得早不早？省不省物理交互？失败后能不能爬起来？作者把改进拆成五根轴：

以 A2 为例，公式是

说白了就是：曲线抬升越早，分子越大。它不衡量墙钟时间，只衡量"收益在轮次轴上的位置"。A3 则先找到达到峰值增益 90% 的轮次 \(\tau_{90}\)，再在 \([\tau_{90}, H]\) 这个高位窗口里取均分。这些定义都有边角情况的处理（终端无增益时 A2 无定义、不裁剪非单调曲线等），能看出来是被实际数据毒打过之后写出来的。

六个系统的五轴画像（Table 1）：

这张表里藏着一个反直觉的发现：高分、快涨、省钱，三者可以互相背离。Opus 5.5 的 A3 比 GPT-6.1 Sol 高（0.744 对 0.703），但 A2 低一大截（0.609 对 0.822），预算节省也差（0.579 对 0.808）——它最终爬得更高，但爬得更慢、更费交互。你想想看，如果只看终点分数，这个差异完全看不见。

另一个扎心的数据：GPT-5.6 Sol 在 LiveBench 代码生成上分数超过 GPT-6 Astra，结果 18 个任务只解决 1 个，Astra 解决 15 个。它的累计成功率在前 16 轮几乎贴着零。编码强，不等于物理上能改进。

🛢️ 物理木桶假说：不同的轴，卡在不同的能力上

那么问题来了——到底是什么能力在限制物理 RSI？作者把 17 个公开基准分数归成四组能力画像（Spatial 空间、Harness 工具操作、Perception 感知、Coding 编码），跟五轴做 Spearman 秩相关：

图4：上方是关联矩阵——Spatial 与 A1 相关 0.943、与 A2/A4 相关 0.829；Perception 与 A3/A5 相关 0.943；Coding 与所有轴的相关都不超过 0.371。下方把每根轴画成一个木桶，桶板高度按 \(w_{ij}=\rho_{ij}/\sum_j\rho_{ij}\) 加权、板长反比于权重：A1、A2、A4 是 Spatial-limited（空间板最短），A3、A5 是 Perception-limited（感知板最短）。

这个 pattern 挺漂亮的：开局好不好，看空间推理；失败后能不能爬起来，看感知。而编码能力跟每根轴的关联都弱——不是说编码没用（所有系统都在写代码），而是说它不构成瓶颈。

作者很谨慎，反复强调这是六个系统上的探索性秩相关，指向的是"候选瓶颈"而非因果结论。这个态度我认可，但你不得不承认这个假说的可证伪性很好：想找反例，就去针对性补强某个能力看轴动不动。另外工作区分析还给了旁证——Sonnet 和 Opus 的工具调用里空间类工具占约 14%（408/2819 和 183/1332 次），反复跨任务复用这些模块；而 Astra 总共只调了 7 次工具。工具在补偿能力短板，这个解读跟木桶假说自洽。

📈 观测 Scaling：能力画像能预测改进的"多远"与"多快"

这部分是两个预测实验，都是"观察性 scaling law"的路数——不训练、只拟合已有系统的行为规律。

跨模型预测。用四个能力画像的等权平均给系统排序，能复现 K17 最佳分数的观测排名；再定义半收益轮次 \(T_{50}\)（最佳均分首次达到 K1–K17 总增益一半的轮次），用其余四个系统训练核回归来预测任意一对系统谁先到达 \(T_{50}\)，结果所有成对顺序全部预测正确。

图7：左图是六系统的四能力画像热力图（Astra 的 Spatial 高达 0.93，Opus 的 Perception 0.92 最突出，GPT-5.6 Sol 全面拉胯）；右图是 18 任务上的 best mean score 曲线，圆圈标记各系统 T50，标注为预测/观测排名——六组排名全部命中。右侧列出 K17 最佳分：Astra 86.9%、Opus 74.4%、GPT-6.1 Sol 72.8%、Sonnet 70.8%、GPT-6 Sol 47.2%、GPT-5.6 Sol 10.4%。

早轮次预测晚轮次。更狠的是第二个实验：把 Astra 的 K1–K17 均分曲线拟合成 Weibull 增长模板 \(g_A\)，然后只看 GPT-6.1 Sol 的 K1–K5 五轮数据，校准出起点 \(u\)、平台 \(v\)、相对速度 \(\rho\)，用 \(\hat{q}(k)=u+(v-u)\,g_A(\rho(k-1))\) 外推到 K17。结果平均绝对误差只有 0.019，而"保持最后观测分数"的朴素基线是 0.112。换句话说，同族模型的改进曲线形状可以互相借用，看五轮就能大概知道十七轮后在哪。

坦率地讲，这两个结果都很优雅，但样本是六个系统、18 个任务，统计功效摆在那。作者自己也承认"observational and exploratory"。我觉得正确的打开方式是把它们当成假设生成器，而不是定律。

🔬 过拟合还是泛化：工作区里留下了什么

第三个问题最本质：涨上去的分，到底是场景特化还是可带走的经验？三组干预实验递进来回答。

删掉历史会怎样？ 在 Astra 的 6 任务消融里（每任务 2 条链，K1–K6 每轮换布局），完整环路的后期（K4–K6）成功率是 15/36 即 41.7%；把所有历史通道全关掉、每轮变独立尝试后，崩到 3/36 即 8.3%。逐通道剥离更有意思：去掉评分反馈掉到 5/36（13.9%），冲击最大；去掉历史图像 12/36（33.3%）；只保留工作区加评分反馈反而有 17/36（47.2%）——历史图像和动作记录在两者齐备时几乎不额外贡献。经验确实被积累了，而且主要载体是工作区文件加评分反馈这条线。

冻结后还能用吗？ 把 Astra 在 K6 时的工作区冻结（禁止再修订、禁止看反馈），拿到 5 个没见过的布局上直接跑：12 个源 × 5 布局，工作区文件单独拿下 25/60（41.7%）。对照组是这些工作区在自己原布局上的 14/16（88%）——掉得厉害，但考虑到零修订零反馈，41.7% 已经说明工件里确实封装了某种跨场景有用的东西。固定布局来源的工作区在 held-out 布局上是 27/60（45.0%）。

能帮到别的任务吗？ 三个跨任务迁移案例：用其他所有任务的工作区池初始化目标任务，Sonnet 5.5 在 Cover Blocks 上首成功从 K9 提前到 K1，Opus 5.5 在 Organize Table 上从 K14 到 K7，在 Deposit Coin 上从 K15 到 K8。

图9：上半部分是原始轨迹（红叉为失败，深色勾为首次成功），三条链分别磨到 K9/K14/K15 才成；下半部分用其他任务工作区池初始化后，分别提前到 K1/K7/K8。左侧示意 Stack Blocks 从失败到成功。

迁移的机制也有迹可循。Opus 在 Organize Table 里组合了来自 Pack Objects Into Box 的参数化移动工具和来自 Store Tools In Toolbox 的一条记忆（"俯仰 30 度抓取能够到 +y 半区"）——工具提供操作，记忆提供何时好用的知识，两者拼起来支持了迁移。论文还区分了两种可复用经验：可执行例程（Sonnet/Opus 后期 96% 以上动作由自写工具生成）和文本操作知识（Astra/GPT-6.1 Sol 约 99% 动作仍由模型直接生成，但推理轮次间递减，靠反复查阅记忆和笔记省重复思考）。工具复用的广度上，Opus 的 lineage 复用率 0.347，远高于 Sonnet 的 0.167 和 GPT-6 Sol 的 0.086，且复用集中度最低（前 10% 复用 lineage 占后续调用的 48%，Sonnet 76%，GPT-6 Sol 83%）——Opus 攒的是一个更"宽"的工具箱。

🤔 我的判断

亮点。一是五轴分解本身就值得被社区采用——"高分别跟早涨、省钱混为一谈"这个洞察，在 Opus 对 GPT-6.1 Sol 的对比里体现得淋漓尽致。二是木桶假说给出了可证伪的能力诊断框架，比"更大模型更好"的叙事有信息量得多。三是工作区干预这组实验设计得干净：删历史、冻结、迁移三板斧，分别对应"经验有没有用"、"停了修订还有没有用"、"换个任务还有没有用"，逻辑链完整。

问题也得说。六系统、每任务单条改进链，K0 的三次重复估计不了整条链的方差；A4/A5 用的条件任务集跨系统还不一样，横向比较带点水分。能力关联分析只有六个点，\(\rho=0.94\) 看着吓人，其实四五个点就能撑出高秩相关。跨任务迁移只有三个首跑案例，没有系统性的成功率。这些都是作者自己在 Limitations 里认了的，态度诚实，但也意味着所有结论都得带着"探索性"的滤镜看。

工程启发。如果你在搭具身智能体的评测，这套协议里有两样东西可以直接抄：把首试成绩和改进过程分开记账，以及把物理步数当预算来收费。如果你在做 agent 的经验积累设计，消融结果给了一个很实用的信号——工作区文件加评分反馈是性价比最高的两个通道，历史图像堆进去收益甚微。

还有一点让我念念不忘：编码能力在所有轴上都弱相关。这跟社区里"agentic coding 强则 agent 强"的直觉相悖。当然，六系统样本下我不敢下重注，但如果这个 pattern 在更大规模上成立，那对"怎么选型具身智能体基座"是个不小的冲击——看空间推理和感知，别看代码榜。

收尾

PhysRSI-eval 没有给出物理 RSI 的终极答案，但它把三个模糊的问题变成了可以测量的量：能力从哪来（看轴与能力画像的关联）、改进怎么预测（跨模型排名加早轮次外推）、涨分是不是过拟合（工作区干预三连）。场景特化和可复用经验可以共存——这个结论不惊艳，但有了测量框架托底，它比一句"agent 会学习"值钱得多。

下一个更本质的问题已经摆在桌面上了：既然瓶颈因轴而异，能不能针对性地补感知、补空间推理，直接验证木桶假说的因果方向？我等着看后续。

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我