物理 RSI 能力从何而来？LLM-as-policy 的观测扩展定律

本文系统研究物理递归自我改进的机制、扩展行为与泛化能力。我们提出 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，以及从失败中改进的能力。在固定交互预算下，我们对不同 VLM 在 18 项操作任务上的表现进行了评估。实验结果的分析促成了物理木桶假说：不同能力可能制约改进过程中的不同部分。这五个维度的指标还能够区分公开基准平均分接近的系统，并表明高分未必伴随早期或高效的收益。我们从两个角度研究观测扩展：根据 VLM 智能体的公开能力预测其相对表现，以及根据早期物理反馈预测后续进展。综合来看，这些分析探讨了智能体能够以多快的速度、在多大程度上实现改进。此外，我们进行了工作空间干预，并分析改进会留下什么。移除历史记录会降低后期成功率；冻结的工作空间在未见过的布局上仍然有用；三个跨任务案例更早取得了成功。结果表明，场景特定的适应能力与可复用经验可以共存。