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
分类: cs.RO, cs.AI, cs.CV
发布日期: 2026-10-19
备注: Tech Report
💡 一句话要点
提出PhysRSI-eval以量化物理递归自我改进能力
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 物理递归自我改进 视觉语言模型 性能评估 操作任务 量化指标
📋 核心要点
- 核心问题：现有方法在物理递归自我改进能力的量化和分析上存在不足，难以有效评估不同模型的性能。
- 方法要点：提出PhysRSI-eval，通过五个维度的指标量化物理RSI，分析不同能力对改进的约束。
- 实验或效果：在18个操作任务中评估不同VLM，结果表明高分模型不一定具备早期或高效的改进能力。
📝 摘要（中文）
本文系统性地研究了物理递归自我改进（RSI）的机制、规模行为和泛化能力。我们引入PhysRSI-eval，通过五个维度的指标来量化物理RSI：首次尝试表现、效率、成功率、预算和失败改进。不同的视觉语言模型（VLM）在固定的交互预算下评估了18个操作任务。实验结果分析激发了物理桶假设，表明不同能力可能限制不同的改进部分。五个维度的指标还区分了在公共基准平均值接近的系统，显示高分并不一定伴随早期或高效的收益。我们从两个角度研究观察性规模：预测VLM代理的相对表现和从早期物理反馈预测后续进展。
🔬 方法详解
问题定义：本文旨在解决物理递归自我改进（RSI）能力的量化问题，现有方法无法有效区分不同模型在实际操作中的表现和改进潜力。
核心思路：通过引入PhysRSI-eval，采用五个维度的指标来全面评估物理RSI的表现，强调不同能力对改进的影响。
技术框架：整体架构包括五个主要模块：首次尝试表现、效率、成功率、预算和失败改进。每个模块独立评估并综合得出最终的RSI能力评分。
关键创新：最重要的技术创新在于提出了物理桶假设，揭示了不同能力对改进的约束关系，与现有方法相比，提供了更细致的性能分析。
关键设计：在指标设计上，设置了明确的评估标准和权重，确保每个维度的评分能够真实反映模型在实际操作中的表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在18个操作任务中，不同VLM的表现差异显著。高分模型在某些任务中成功率达到80%以上，而在其他任务中则未必表现优异，表明高分并不一定意味着全面的性能提升。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和智能助手等。通过量化物理递归自我改进能力，可以为模型优化和任务分配提供科学依据，提升系统的整体效率和适应性，具有重要的实际价值和未来影响。
📄 摘要（原文）
In this paper, we systematically investigate the mechanisms, scaling behavior, and generalization of physical Recursive self-improvement. We introduce PhysRSI-eval to quantify physical RSI through a five-axis metric: First-Attempt Performance, Efficiency, Success, Budget and Improvement from failure. Different VLMs are evaluated on 18 manipulation tasks under a fixed interaction budget. The analysis of experimental results motivates the Physical Barrel Hypothesis: different capabilities may constrain different parts of improvement. The five-axis metrics also distinguish systems with close public benchmark averages and show that high scores need not come with early or efficient gains. We study observational scaling from two perspectives: predicting the relative performance of VLM agents from their public capabilities, and forecasting later progress from early physical feedback. Together, these analyses ask how quickly and how far an agent can improve. Moreover, we conduct workspace interventions and then analyze what improvement leaves behind. Removing history reduces late-round success, frozen workspaces remain useful on unseen layouts, and three cross-task cases achieve success earlier. The results suggest that scene-specific adaptation and reusable experience can coexist.