26年10月来自中科院大学、中科院自动化所和清华的论文“PhysEvo: Astra Can Act, Let It”。

PhysEvo 对“冻结大模型如何通过改造自身的机器人软件系统获得更强能力”给出了有价值的实证；但对“递归机制本身能否持续提高自我改进效率”，证据仍然不足。 最值得借鉴的是它如何把物理失败转化成可测试、可继承的工具与技能修改。

如图 1 所示PhysEvo 中的物理 RS​​I：执行、诊断、修订、测试与继承。

---

方法的核心：学习发生在模型外部的软件系统中。

PhysEvo 固定 Astra 的模型权重，让同一个模型承担两种角色：

• Task agent：执行任务。 根据图像、机器人状态、技能说明和当前记忆，选择动作或观察工具。
• Meta-agent：改进系统。 查看执行轨迹与代码，诊断失败，修改工具、技能、执行逻辑，以及自身使用的诊断工具。

论文将模型与机器人之间的这一层软件称为 驾驭（harness），可理解为“观察、控制、记忆和工具调用的运行框架”。系统在第 r 轮的可持续状态为：

H_r = (H_r^{task}^, H_r^{meta}^), theta 保持不变

因此，经验被保存在代码、技能文档和诊断资源里。虽然权重不变，但模型获得的信息、可采取的动作以及使用工具的指导都发生变化，整个系统的行为能力随之改变。

如图 2 所示PhysEvo 中的物理 RS​​I（物理具身自我改进）。一个处于冻结状态的 Astra 智能体通过任务交互接口（task harness）发挥作用，并根据执行反馈对任务资源和元资源进行修订。这些已采纳的修订将支持后续的实验回合与改进迭代。

其基本过程是：

这里有三个容易混淆的时间尺度：

时间尺度	允许发生什么	信息如何保留
一次任务内部	观察、动作、回看历史、纠错	当前任务的记忆
开发阶段的任务之间	修改工具、技能和诊断资源	持久化框架版本
仿真最终评测	使用固定版本执行新布局	不允许继续修改持久资源

开发阶段，候选版本与原版本在同一任务、同一初始场景上比较。分数提高，或者突破原失败点且分数不下降，可以支持采纳；分数下降则拒绝。修改在下一次任务开始时生效。（§3、附录 A）

---

模型框架中，最重要的是三类能力的共同演化。

模块	具体机制	解决的瓶颈
关节级控制	默认接口接受双臂共 12 个绝对关节角目标，以及两个夹爪命令	末端目标正确，但局部逆运动学选出了阻碍操作的手臂姿态
主动与历史观察	移动空闲手臂获取腕部视角；检索本次任务过去的图像和状态	当前视角被遮挡，或关键事件已经过去
几何工具	模型选择图像特征，确定性工具完成投影、多视角或时序三角测量	将视觉判断转化为可用于控制的空间信息
技能与诊断资源	保留操作指导，以及对齐图像、状态、决策的回放工具	同类错误反复发生，或无法追溯失败原因

两个技术细节值得强调。

首先，关节级控制并不等于大模型直接输出高频电机力矩。模型给出关节位置目标与运动段长度，由执行器落实动作、检查限制和跟踪情况，再返回反馈。

其次，几何工具没有读取隐藏的物体坐标。模型需要选择像素点或对应特征，工具结合相机标定和机器人几何进行计算。时序三角测量还要求目标点静止，并具有有效的相机平移基线。（§4、附录 C、F）

论文中的倒水案例很好地说明了这种架构：瓶子挡住持瓶手臂的腕部相机后，修改技能，让另一只手臂持续提供侧视图。随后模型可以检查瓶口、杯沿和液体落点，并修正动作。这里改进的是动作过程中获取证据的方式，而不只是某个动作参数。

---

它的贡献，主要体现在系统组织与经验继承上。

有三点比较扎实：

1. 将动作接口本身纳入改进对象。
   失败不一定来自规划错误，也可能来自接口无法表达需要的动作。把“选择末端位置”扩展为“选择手臂姿态”，改变了模型能够执行的策略范围。
2. 把观察策略与操作技能一起改进。
   在物理操作中，动作会改变可见性。PhysEvo 能将“什么时候换视角、什么时候回看、什么时候使用几何”写入技能，形成更完整的闭环。
3. 让改进工具也成为可以继承的经验。
   装箱案例中，meta-agent 重用了之前编写的轨迹查看工具，将“箱子被推远”追溯到手腕或夹爪碰到箱盖，然后加入“先抬高越过箱盖再转动”的指导。这是论文支持“递归”这一说法的关键实例。（图 5）

据此，可以把它的 RSI 分成三个层次：

层次	论文提供的证据
利用反馈修正下一步动作	明确实现
修改并继承工具、技能，提高后续执行能力	有实验和案例支持
修改改进机制，使以后学得更快、更好	有工具继承案例，缺少系统量化

所以，论文展示了“改进过程可以修改自身资源”的结构，但尚未证明这种递归会带来持续增强的改进速度。

---

实验结果确实有提升，但需要按正确口径理解。

评测	PhysEvo 成功率	参考结果	解释边界
42 个仿真任务，五个能力维度等权	62.00%	RoboDawn 47.17%	提高 14.83 个百分点
同样 42 个任务，任务等权	58.57%	—	更接近全部任务的平均成功比例
10 个任务	68.00%	Direct Astra 26%；Astra–π0.5 48%	各方法结果来自对应报告
8 个 Direct Astra 困难任务	55.00%	Direct 1.25%；Simate-beta 50.83%	是外部预先定义的困难子集
5 个真机任务，共 25 次	84.00%	无对应真机对照	允许部署后继续修改技能

这里最有意义的比较是相对 RoboDawn 的提升，因为后者已经使用闭环反馈和示例。不过，优势并不覆盖所有能力维度：

• 记忆：100% 对 53.33%，提升最大。
• 开放指令：80% 对 62.5%。
• 精密操作：40% 对 25%。
• 长程任务：均为 45%。
• 泛化维度：45% 对 50%，PhysEvo 略低。

困难子集也存在明显短板：搭塔只有 20% 成功率，收纳笔记本与耳机、放满笔筒均为 0%。因此，结果更支持若干接口、观察和记忆瓶颈得到缓解，尚不能说明复杂操作能力被普遍解决。（表 1–3）

---

主要问题是：最终性能的证据，比递归机制的因果证据更强。

第一，缺少直接隔离“递归贡献”的对照实验。
最终系统同时改变了控制接口、观察工具、技能和诊断资源。论文没有充分区分：性能提升究竟来自更好的最终框架，还是来自能够自改诊断工具的递归过程。

最关键的缺失对照是：在相同预算下，比较“只允许改任务框架”与“同时允许改任务框架和元框架”。否则，一个好的固定诊断工具是否也能达到相同结果，仍然未知。

第二，评测主要验证已开发任务的新布局泛化。
每个任务都保留自己的部署版本，任务专属技能也保持任务局部。这是合理的任务适配协议，但不能直接推出：

• 一个统一版本能够完成全部任务；
• 在未见任务上仍能保持同样优势；
• 技能能够自动组合到新的长程任务；
• 新任务的改进不会损害旧任务。

论文明确排除了评分布局参与修改，这一点值得肯定；但“布局留出”与“任务留出”仍是不同强度的泛化检验。

第三，样本量与消融规模较小。
每个仿真任务只有 5 个布局，每个真机任务只有 5 次试验，单任务成功率的一次成败就相差 20 个百分点。

关节接口对照更加有限：仅一个任务、两个布局、三种接口，共 6 次执行。其平均分为 TCP 40、Joint 100、Both 55，足以提示接口设计的重要性，却不足以证明关节控制普遍优于更强的逆运动学或运动规划方案。尤其是 Joint 优于 Both，也可能涉及工具选择负担和使用指导，而非单纯的控制能力差异。

第四，自我改进的成本与可复现性披露不够。
论文给出了流程，但没有完整报告每任务开发尝试数、候选修改数量、采纳率、token 成本、墙钟时间，以及人工介入情况。对 RSI 来说，这些直接决定方法是否有效率。

“无需更新权重”并不代表没有学习成本；成本转移到了交互、推理、代码修改和测试上。外部基线也没有在统一开发与推理预算下重新比较。

第五，真机实验支持持续适配，尚不足以量化 sim-to-real 收益。
真机部分继续修改技能，得到了液流补偿、先视觉粗接近再近距离几何定位等策略。但缺少“原始框架”“仿真演化后直接部署”“真机继续演化”三者的对照，无法分解收益来源。

此外，25 次试验中哪些属于适配过程、哪些是在最终固定版本上的独立评测，叙述仍需要更明确；倒水所需液量、书写正确性的判定程序也有进一步标准化空间。

第六，长期运行所需的更新约束尚未充分验证。
当前采纳规则主要检查局部任务收益。一个修改可能改善装箱，却损害其他技能；也可能提高完成分数，却增加碰撞、动作时间或不必要的试探。执行器限制和运动检查已经存在，但还需要跨任务回归测试与物理风险指标，才能支持长期自主演化。

---

下一步最值得做的，是证明“元层改进能够迁移，并提高学习效率”。

如果以延续这篇论文的研究为目标，按下面的优先级推进：

方向	具体实验	要回答的问题
递归机制消融	固定框架、只改技能、可改任务框架、可同时改元框架；统一交互与推理预算	改进自身诊断能力究竟贡献多少？
元工具跨任务迁移	在任务集 A 演化诊断工具，转到未见任务集 B；不携带 A 的专属技能	学会的是任务答案，还是更好的学习方法？
统一版本与持续学习	顺序学习多任务，定期评测全部旧任务，禁止各任务回退到不同历史版本	是否能累积能力而不发生明显退化？
不确定性感知的主动观察	根据遮挡、几何一致性和执行误差决定换视角、回看或重定位	能否把个案观察规则推广成通用决策机制？
真机受约束更新	候选修改先通过跨场景测试，再小规模部署；同时记录碰撞、耗时和人工接管	改进是否可靠、经济且可持续？
演化经验与策略学习结合	将成功轨迹和技能蒸馏到较小策略，大模型负责诊断和新技能开发	能否保留适应性，同时降低执行延迟和成本？

其中，最好是做“元工具跨任务迁移”。一个清晰的实验是：

让系统先在倒水、装箱等任务上演化诊断资源，然后把这些资源交给新的插接、整理任务；与使用初始诊断工具的系统比较，在相同预算下测量：

• 达到指定成功率需要多少次物理试验；
• 提出的修改有多少真正有效；
• 每次有效改进需要多少时间与模型调用；
• 新工具是否降低了错误诊断和旧任务退化。

如果这种优势能在多个未见任务上复现，PhysEvo 就能从“自我修改产生了一个更好的机器人框架”，进一步支持更强的结论：物理经验可以积累为可迁移的自我改进能力。