Embodied RSI范式突破机器人零样本泛化瓶颈：Recursia长时任务超英伟达ASPIRE 10个点

机器人 RSI 时刻远远未到达，先看一个动作：机械臂把碗放到盘子上，再抓起杯子，放进刚刚移动过的碗里。

视频地址：https://mp.weixin.qq.com/s/_k6rZzeLXpmmiA5vFyr8BQ

视频 1. 长序列真机任务 T3 ：先把碗放到盘子上，再把杯子放进移动后的碗里。

对人来说，这只是顺手收拾桌面。对机器人来说，即使识别、抓取、放置等单项技能已经相当可靠，第二步也发生在一个被第一步改变过的世界里：碗的位置更新了，机械臂的姿态变了，接下来可能看不清、抓不稳或放不准。所以，核心研究问题是：能否自动通过源任务学习技能，并把源任务上学到的单技能可靠地组合到新的任务中？

来自北京交通大学、北京大学、纽约大学（NYU）、南加州大学（USC）、北京灵行智能科技有限公司等机构的研究团队提出了 Recursia，把这个 “组合泛化问题” 放进具身 RSI，也就是递归自我改进的讨论中。Recursia 将系统组织为 “内外双层循环”：内层 Agent（Inner Loop）负责当前任务中的观察、决策和代码执行；外层 Agent（Outer Loop）汇总执行经验，提出、验证并保留对共享栈的修改，让有用的改变进入后续循环。

实验发现，Recursia 在目标任务上不进行代码调试的零样本迁移设置下，在 LIBERO-Pro Long 上取得 28%（位置扰动）/ 53%（任务扰动）的成功率，比英伟达 ASPIRE 分别高出 5.8 和 15.1 个百分点，而 OpenVLA、π₀ 等 VLA 模型几乎全军覆没（0%），π₀.₅ 在两类扰动下分别为 8% 和 1%。另一组迭代分析中，Task 方向的成功率从第 0 轮的 0% 提高到第 18 轮的 43.4%，中间存在波动。按表 1 的真机结果，Recursia 的三任务平均成功率比 SD-only 高出 40 个百分点（66.7% vs 26.7%）；其中 “先把碗放上盘子、再把杯子放进移动后的碗” 这一强组合依赖任务，基线为 20%，Recursia 为 100%。

这条结果之所以值得注意，是因为它发生在具身智能最尴尬的背景上：部分 VLA 路线训练时 overfit，漂亮 demo 背后经常会有很差的泛化，换个物体位置、换句任务描述就当场罢工。训练场景中的高成功率，不等于换个位置、换种任务组合后仍然可靠。LIBERO-PRO 等研究已经揭示，部分 VLA 模型对任务与场景扰动较为敏感。多模态大模型通过代码调用感知与控制工具的 Embodied Agent 路线，为组合泛化提供了另一种可检验的途径，也让一个更激进的设想浮出水面：如果 Agent 能从失败中学习，它能不能改进 “改进自己的那套机制” 本身？[3,4]

这就是 Embodied Recursive Self-Improvement（具身递归自我改进）所追问的问题。听上去有点科幻：AI 先把自己改得更强，再用更强的能力继续改自己。目前不同工作对 RSI 的使用范围并不完全相同：有的侧重把经验写进记忆或技能，有的进一步改变产生改进的机制。这些工作都有价值，但距离 “机器人能持续研发更强的下一代机器人”，还需要不同层次的证据。

理解 Embodied RSI，关键在于追清楚一件事：这轮到底改了什么，改动有没有留下来，又能不能让下一轮改进做得更好。把这条线理顺，参数、上下文、记忆、Skills、Harness，以及各种眼花缭乱的论文，就能放回各自的位置，也能看清 Recursia 的研究位置。项目主页与代码地址如下。

• 论文标题：Learning to Compose: Recursive Self-Improvement of Shared Executable Stacks for Zero-Shot Long-Horizon Robot Manipulation
• 项目主页：https://cocacola-lab.github.io/Recursia-website/
• 项目 GitHub：https://github.com/cocacola-lab/Recursia

一、背景：我们距离机器人 RSI 有多远？

用编程举例，Coding Agent 在单次任务中通过 “写码→测试失败→修复→再测试” 的在线闭环纠错，交付更好的产物；自我改进（SI，也叫自进化）还要求把经验沉淀为可复用的记忆、技能或工具，让改进在后续任务中持续生效。本文采用更严格的 RSI 讨论口径：这种改进还应增强系统发现、设计和验证下一轮改进的能力，即让 AI 去改进 “改进 AI 的 AI”。[5]

从 Agent 的角度来看，RSI 已是兵家必争之地。国外 AI 御三家在本月均有密集动作，可能正在集体冲刺 “奇点”。早在 6 月，Anthropic 发表了一篇名为《When AI builds itself》。官方坦言，截至 2026 年 5 月，Claude 自己撰写了公司内部超过 80% 的合并代码；8 月份，由 AI 担任主导开发的比例已经从年初的个位数飙升到了约 26%。OpenAI 在 GPT-5.6 的官方介绍中列出了 RSI Index。谷歌近几个月节奏明显加快。[6,7,8,9]

从机器人角度看，Embodied RSI 可能也是通向 “终局” 的一条重要路径：让机器人在与世界交互的过程中，持续积累能力，并逐步接管 “改进自己” 的工作。英伟达已经从两端推进。ASPIRE 根据执行反馈修复控制程序，将有效经验沉淀为可复用的技能库；ENPIRE 则重点打通真机上的外层改进循环，串起场景复位、策略执行、结果验证与训练改进，让 Coding Agent 根据真机实验持续修改策略与训练代码 [2,10]。其他路线也在汇合：RoboFoundry 将上下文、记忆与分层技能组成的系统作为进化对象；EmbodiRSI 则根据执行反馈，在面向部署场景构建的仿真中调整下一轮数据采集与策略训练，再迁移回真机。[11,12]

这些工作把问题推向了更深一层：机器人究竟应该怎样组织用于执行的 “内层循环”（Inner Loop）与用于进化的 “外层循环”（Outer Loop）？

Recursia 的回答是内外双层循环。它的着力点，是把 “内层如何闭环、外层如何改写并验证” 放在一起研究：既让机器人更好地完成眼前的任务，也让这次经历真正改变下一次执行任务的能力。

二、Recursia：怎么让内外双层循环起来？

2.1 先让内层循环转起来：机器人要看着结果再做下一步

在 Recursia 中，内层负责执行任务，外层负责根据执行经验改进系统。内层架构决定机器人在一项任务里如何行动，也构成外层改进后实际部署的执行系统。内层本身有不同架构：是否让模型在执行中反复回来 “看一眼、想一步”，会改变任务如何推进。Recursia 比较了三种设计。

1.Rule-based：预设规则驱动，去掉在线 Agent 决策循环的极端配置

按预先定义的规则组织高层行动，运行中不依赖大模型反复读取新结果、重新决定下一步。这里所说的 “没有内层 Loop”，指可以看作省去模型在线推理循环的极端版本。

2.One-shot：先生成任务程序，再执行

先生成任务程序，再执行它。程序内部可以包含观察、条件分支和有限重试，但高层逻辑主要由这次生成确定。它依靠预先写好的程序逻辑处理执行中可能出现的情况，也承担了提前预见这些情况的要求。

3.Online closed-loop：根据反馈决定下一步，让执行结果持续进入下一次决策

在任务推进过程中读取新的观察和执行结果，决定接下来的动作。上一段代码实际做成了什么，会影响下一段代码如何行动。内层于是形成观察、决策、执行、再观察的循环，也就是具身 Agent 的运行过程。可以简单理解成 “模型＋运行框架”，即 Agent = Model + Harness：模型负责理解、推理和生成，运行框架组织观察、工具调用、执行反馈与后续决策。[4]

这三种方式代表了不同的内层架构。比较它们，能够检验把高层决策接回执行反馈之后，机器人是否更有能力应对任务中的变化。Recursia 在相同冻结共享栈上做了内层循环的的对照实验，如下。

内层循环的分析实验：模型参与高层组织，相对规则式执行取得更高成功率。

在同一个 N=13 冻结共享栈上，论文比较了上述三种内层架构，每种架构在 Pos 和 Task 两个扰动方向各评测 50 个匹配回合（图 1 (a)、(b)）。Pos 改变物体初始位置，Task 改变任务设定。

图 1. 内层架构对照。Pos 与 Task 各包含 50 个匹配评测回合（a、b）, 耗时包含生成与执行（c）。

这组实验中，Task 扰动下的成功率从规则驱动的 24% 提高到 one-shot 的 30%，在线闭环达到 32%；Pos 下则分别为 12%、16% 和 16%。结果显示执行反馈参与高层决策的收益。

代价是，“执行反馈参与高层决策” 让内层 “边做边想” 还需要付出时间：Task 下，one-shot 与在线闭环的平均端到端耗时分别为 5.95 和 7.15 分钟。

从实验可以看出，内层架构是具身系统设计的重要部分。接下来，外层要解决的是：这次暴露出来的问题，能否成为下一次执行之前就已经修好的能力？

2.2 外层循环改哪里？从一份程序，到共享执行栈

外层接手的问题是：刚才的失败能不能变成一个持久、有用的修改？修改完成后，其他任务能不能直接受益？

最直接的改法，是修好当前任务程序。某次放置失败，就调整这一段放置代码。这能改善当前任务，但改动能否被其他任务继承，还取决于它被保存在哪里。再往前一步，是把经验整理成 Skill。一次抓取与放置的做法，可以成为后续任务调用的操作单元。ASPIRE 对可复用技能的积累，就是这一路径。但实际中，技能的效果也依赖它调用的工具，以及前后步骤的衔接。因此，Recursia 进一步围绕机器人任务，把持续改进的对象组织为四个相互关联的部分，如图 2。[2]

图 2. Shared Stack 示意图。

• 工具层，决定一个操作究竟能不能可靠执行。 缺少必要操作时，系统可以提出新的共享工具；已有接口行为不符合需求时，则尝试修复其实现。
• 技能层，明确何时能做、做到什么程度才算完成。 一个 pick-and-place 技能需要前置条件、执行过程和完成证据，后续调用者才能知道它实际建立了什么状态。
• 交接层，处理 “上一步完成” 和 “下一步准备好” 之间的距离。 放下物体之后，抓手是否退出？新目标是否仍能被识别和触达？先前完成的目标是否被后续动作破坏？这些都需要显式处理。
• 验证层，检查对象与关系是否真的满足要求。 到达某个机械臂位姿，并不自动意味着目标物体已经放稳。错误的完成判断，可能让系统过早进入下一步；错误的失败判断，也可能破坏已经完成的动作。

四层连在一起，才形成后续任务实际使用的执行能力。一个经过验证的共享修复，可以影响多个调用它的技能和任务组合。有一个案例很直观：在一组十次仿真执行中，杯子放到盘子上的目标全部成立，但完整的杯子与布丁组合任务只成功了一次。部分轨迹里，杯子已经放好，接下来的布丁识别却返回了 not_found。这说明，单步目标成立之后，系统仍然需要建立下一步的执行条件。共享栈的价值，就体现在这些容易被单个成功动作掩盖的接口问题上。

能生成共享栈不同层的补丁之后，还有一个决定系统走向的问题：哪些补丁应该被接受？

Recursia 的候选修改需要经过通用性检查、机制测试，以及父版本与候选版本的配对比较。选择门控关注是否带来足够的任务收益，回归门控关注是否丢掉了原本已经具备的成功能力。

图 3. 验证门控案例。（a）N=8 父版本与候选版本的执行帧对比：书籍搬运失败与成功。（b）对应任务在开发集与选择集上的成功次数。（c）N=9 减少了局部失败，但未达到预先声明的结果增益。（d）N=11 提高了总体选择得分，却丢失两个此前成功的篮子放置状态，超过每项任务的损失上限。

上图选择集的总成功次数从 7/50 提高到 11/50，但某个篮子放置任务在获得两个新成功状态的同时，也丢掉了两个旧成功状态。由于损失超过该任务预设上限，候选仍被拒绝。总的 success rate 上涨，也需要追问究竟赢在哪里、又丢掉了什么。 这种检查决定了系统怎样积累能力，以及怎样控制一次修改对其他任务的影响。

在团队的后续实验中，Recursia 进一步把外层 Harness 中的两类选择纳入调整范围：verification gate 的松紧，以及当前 debugging 阶段采用的数据类型。它们会影响候选修改如何筛选、资源投向哪类问题，也会改变下一轮能够发现哪些改进。

这里的 gate，负责判断一个候选修改能否进入后续版本。它与机器人执行时判断有没有抓住或是是否已经放好的验证器处于不同位置。前者影响改进过程的取舍，后者直接参与任务执行。

一套始终不变的筛选策略，可能无法同时照顾探索新能力和保护已有能力的需要。把筛选策略、debugging 数据选择也作为研究对象，可以进一步追问：随着系统能力变化，改进流程本身是否也需要调整？

版本如何继承，也会影响这条路径。沿着当前版本继续修复是一种方式；保存多个候选和历史分支，则允许后续从不同起点继续探索。

三、Recursia 内外双层循环带来了什么？

3.1 仿真实验：零样本长序列任务提升

在 LIBERO-Pro Long 的主要结果中，Recursia 在 Pos 和 Task 扰动下的成功率分别为 28.4% 和 53.4%。这里的零样本迁移指：源任务改进完成后，共享栈被冻结，目标任务反馈不用于代码修复或版本选择；执行中仍可以使用观察反馈。迭代分析是另一组记录，第 18 轮的 Pos/Task 成功率为 23.2%/43.4%，不与主要结果混作同一终点。

图 4. LIBERO-Pro Long 零样本迁移结果。Recursia 每个扰动方向包含 10 项任务、每项 50 个状态。其他方法的数值沿用 ASPIRE 的已发表对照；不同方法的基础模型、训练数据与推理预算并非完全一致。[2]

3.2 真机实验：零样本长序列任务提升

在 Franka FR3+Franka Hand 真机实验中，研究比较了 Recursia 以及更新自然语言技能文档的 SD-only。两者使用相同的基础模型、观测与基础工具配置。目标任务包含物品放入同一篮子、交换杯子与盘子的对应关系，以及先移动碗、再把杯子放进碗。

表 1. 真机成功率，采用团队更新后的实验结果。三个任务的平均值为任务成功率的算术平均。

开场的 T3 任务 正是组合泛化时依赖关系的直观例子：后一个动作必须使用前一个动作形成的新状态。这组小规模实机结果为共享可执行知识的价值提供了初步支持，也留下了扩大重复次数和任务范围的空间。

视频地址：https://mp.weixin.qq.com/s/_k6rZzeLXpmmiA5vFyr8BQ

视频 2. T1 真机任务：将杯子与牛奶盒放入同一个篮子。

视频地址：https://mp.weixin.qq.com/s/_k6rZzeLXpmmiA5vFyr8BQ

视频 3. T2 真机任务：调换杯子与左右盘子的对应关系，完成新的组合。

四、GPT-6 Astra 会取代 VLA 或 WAM 吗？

多模态大模型（如 GPT-6 Astra）可以根据图像与语言指令生成代码，通过感知和控制接口驱动机械臂。然而，在团队的精细操作实验中，这类系统仍会卡在最后阶段的对齐与接触环节。我们观察到的一个可能瓶颈，是三维几何与接触状态信息不足：精细操作依赖对物体间相对位姿及接触状态的准确感知，而常规相机配置难以覆盖所有关键视角，某些被遮挡的接触信息也难以仅从视觉中恢复。[4]

因此，我们更倾向于把 VLA（视觉 — 语言 — 动作模型）、结合触觉的 VTLA，以及 WAM（世界动作模型）视为潜在的互补组件，承担动作执行、多模态感知或预测规划，与高层任务组织和反馈闭环协同。ENPIRE 提供了一个实证，其在 RoboCasa365 中，Agent 将 GR00T VLA 与检测、运动规划工具组合，先让夹爪悬停到目标上方再抓取，提高了成功率，并将这一策略迁移到真机剪扎带任务。这支持 VLA 与程序化工具协作的可行性。[10]

五、未来到哪儿了，Embodied RSI 离 “奇点”，还差多少？

聊具身 RSI，很容易把任务成功率的上升，直接联想到智能加速。真正值得追踪的，是每一轮投入是否换来效果提升（速度是否大于 0），是否超过人（速度是否超过 v_human），以及新的系统能否更有效地产生下一轮改进（加速度是否大于 0）。受 Weco [5] 观察框架的启发，我们可以尝试考虑 Embodied RSI 的观察框架。

曲线往上走，是一个信号（加速度 a 大于 0）。让下一次提升更容易，才是更值得期待的反馈。下图描绘的是概念上的收益形态：横轴为累计资源或成本，纵轴为能力 / 效果提升；蓝色曲线表示单位新增投入带来的增益逐渐扩大。[5]

图 5. 具身自我改进的收益形态示意，基于 Weco 框架作概念性讨论。曲线及星标不代表实测的拟合结果；Resource/Cost 若采用时间，需要同时说明资源配置。[5]

为了比较达到目标表现所需的时间，团队在擦白板等简单具身任务上做了一组补充实验，将 Resource/Cost 具体设为时间，对比 “利用 GPT-6 Astra 从零开始调试” 与传统 “遥操收集数据 — 训练” 的流程。在该实验设置下，达到超过 90% 的成功率，前者用时不到 1 小时，后者包含数据采集与训练的用时为前者的 10 倍以上。这项结果展示了该设置下的研发效率优势。

参考文献

[1] https://github.com/cocacola-lab/awesome-embodied-rsi.

[2] Lu R, Wu Y, Kou E, et al. ASPIRE: Agentic /Skills Discovery for Robotics. arXiv:2607.00272, 2026.

https://doi.org/10.48550/arXiv.2607.00272

[3] Zhou X, Xu Y, Tie G, et al. LIBERO-PRO: Towards Robust and Fair Evaluation of Vision-Language-Action Models Beyond Memorization. arXiv:2510.03827, 2025.

https://doi.org/10.48550/arXiv.2510.03827

[4] Fu L, Yu J, El-Refai K, et al. CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation. arXiv:2603.22435v2, 2026.

https://doi.org/10.48550/arXiv.2603.22435

[5] Weco Team. 4 Levels of Recursive Self-Improvement. Weco AI Blog, 2026-07-10.

https://www.weco.ai/blog/4-levels-of-recursive-self-improvement

[6] Anthropic. When AI builds itself. The Anthropic Institute, 2026.

https://www.anthropic.com/institute/recursive-self-improvement

[7] Anthropic. Measurements for understanding the pace of AI development inside frontier labs. The Anthropic Institute, 2026.

https://www.anthropic.com/institute/measuring-pace-of-ai-development

[8] OpenAI. GPT-5.6: Frontier intelligence that scales with your ambition. 2026.

https://openai.com/index/gpt-5-6/

[9] AlphaEvolve Team. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms. Google DeepMind, 2025-05-14.

https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

[10] Xiao W, Xie J, Zhang T, et al. ENPIRE: Agentic Robot Policy Self-Improvement in the Real World. arXiv:2606.19980v2, 2026.

https://doi.org/10.48550/arXiv.2606.19980

[11] Liang J, Liao S, Zhang S, et al. RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents. arXiv:2609.32862, 2026.

https://doi.org/10.48550/arXiv.2609.32862

[12] Lang H, Lu H, Sang S, et al. EmbodiRSI: Recursive Self-Improvement for Data-Efficient Robot Adaptation. arXiv:2609.38905v3, 2026.

https://doi.org/10.48550/arXiv.2609.38905