论文精读｜Zetta 与 EmbodiRSI：机器人自己给自己修 bug——递归自我改进（RSI）走进物理世界

📄 论文信息

第一篇：Zetta

• 标题：Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence
• 团队：清华大学 AI 产业研究院（AIR）+ Z-Trans AI；一作 Xin Ding、Liang Mi（共同一作），项目负责人 Ting Cao（通讯），技术负责人 Xin Ding、Liang Mi
• 发表：arXiv 2608.16590v1 [cs.RO]，2026-08-17，CC BY 4.0
• 资源：项目页 air-embodied-brain.github.io/zetta
• 关键词：Embodied Harness、代码化 Critic、三时间尺度闭环、Z-Infra rollout 基础设施、frozen VLA

第二篇：EmbodiRSI

• 标题：EmbodiRSI: Recursive Self-Improvement for Data-Efficient Robot Adaptation
• 团队：Haoran Lang、Haotao Lu、Shiyu Sang（三位共同一作），通讯 Ye Shi、Jingya Wang（上海科技大学邮箱），含 Guo Chen、Qun Li 等
• 发表：arXiv 2609.38905v1 [cs.RO]，2026-09-30，CC BY-NC-SA 4.0
• 关键词：Real2Sim2Real、递归自我改进（RSI）、协作纠错（CEC）、自适应数据采集（ADC）、RECAP 式优势标注

为什么把两篇放一起读：它们是同一思潮——递归自我改进（Recursive Self-Improvement, RSI）——在机器人上的两种落法。Zetta 冻结策略权重，认为「该进化的是策略外面那圈执行系统」；EmbodiRSI 不停改策略权重，认为「该进化的是喂给策略的数据分布」。一墙之隔，恰好互相补全。

🎯 一句话版本

• Zetta：给 frozen VLA 套一个会自我进化的「舱外执行系统」——代码写的运行时 critic 在动作频率上盯着执行，出了偏差由 orchestrator 裁决是否触发恢复；线下把失败轨迹聚类、做六层因果诊断、生成最小补丁，通过「历史回归 100% + 留出集 ΔSR>0」双门检验后打包成版本化技能包。策略一个字节没动，成功率涨了 20~40 个百分点。
• EmbodiRSI：从真实部署场景重建专属仿真（SAM3 分割 + SAM3D 重建 + 碰撞矫正），在这个「便宜且可重放」的沙盒里跑策略 rollout：协作纠错从策略卡住的状态生成矫正轨迹，自适应采集把专家示教定向砸向当前弱点，数据累积回训练、进入下一轮递归；最后只用每子任务 10 条真人纠错轨迹微调，真机成功率反超「200 条真机示教」的基线。

🧬 溯源一：RSI 从哪来——1965 年的一句猜想

很多同学第一次见「递归自我改进」这个词是在 LLM 圈，其实它的源头比深度学习早了半个多世纪。

1965 年，英国数学家 I. J. Good 在论文 Speculations Concerning the First Ultraintelligent Machine（Advances in Computers 第 6 卷，Academic Press）里写下那段著名推演：如果一台机器能设计出更好的机器，那么「智能爆炸」（intelligence explosion）就会发生——机器的最后一次发明，就是造出比自己聪明的后代。这段话后来被反复引用（千次量级的高被引），也是「技术奇点」叙事的文本源头。Good 当时关心的是机器改进机器这个递归结构本身，而不是具体哪种算法。

沿着这条线，改进的对象换了三拨：

1. 改进「程序」：Schmidhuber 1987 年的可递归自改进系统、2003 年的 Gödel Machine（证明「改动对自己有益」后才允许自我修改）、PowerPlay（不断发明新技能的搜索）——这一支把 RSI 变成了可证明的搜索问题。
2. 改进「提示与技能库」：2023 年 LLM 火了之后，Reflexion（语言化反思写进记忆）、Self-Refine（自我批评再自我修订）、Voyager（把可执行技能库越滚越大）、OPRO（用 LLM 优化提示词）让「执行 → 评估 → 反思 → 更新」这个循环在数字世界便宜地跑了起来。这一波就是 Zetta 相关工作里点名的数字域 RSI。
3. 改进「策略与数据」：机器人领域起步更早但更慢——2011 年 DAgger 就示范了「让当前策略自己去跑、专家在旁边纠正、纠正数据回灌训练」的交互式数据闭环；2023 年 RoboCat 用自我生成的示教跨任务累积改进；2024 年 SOAR 让基础模型自主采数据、从无标注经验中学习；2025 年 RECAP 把示教、自主经验、纠错反馈用「优势条件」缝进同一个训练目标。到 2026 年，这条线集中爆发：VERITAS（视觉验证过滤自主 rollout）、RoboClaw（采集-学习-执行一体化）、RISE（世界模型内想象 rollout + 优势估计）、EmbodiRSI 与 Zetta。

上面这张自绘时间线把两拨先驱画在一起：上半是数字域 RSI（改程序/改提示），下半是机器人 RSI（改数据/改执行系统）。2026 年的四篇代表作里，EmbodiRSI 和 Zetta 各守住一个岔口——这也是本文只精读这两篇的原因：它们不是同一方案的重复，而是同一条思想树上的两根主枝。

补一个当下坐标：arXiv 2609.11873《The Last AI Built by Humans》把自主改进系统分成 L1L5 五级（从「人设定改进循环」到「机器自己定义目标与评估」）。按它的标尺，Zetta 和 EmbodiRSI 大约处在 L2L3：改进循环是人预设的，但循环里跑什么完全由系统自己的失败证据决定。

🏷️ 溯源二：Zetta 的名字，和「Harness」这个词的来历

Zetta 是国际单位制前缀，10²¹（千的七次方），挨着我们在存储容量上熟悉的 exa/peta；论文里用希腊字母 ζ 做符号。选这个量级的词，姿态很明显：接续 Z-Trans AI 自家的 Z 系列（论文基础设施直接叫 Z-Infra），并暗示目标是把「物理智能」当成可随经验积累而指数增长的量来经营。同组系统里还出现过 Z-Harness 的叫法——Z 家族的「舱」。

Harness 本身不是新词，它的迁移路径值得捋一遍：

所以「harness」这个词选得准：它是外面那圈不负责自己做任务、只负责让里面的模型把任务做稳的东西。软件测试 harness 判程序对错，具身 harness 判「这次抓取的物理状态还对不对」，不对就干预。论文引的同代工作 Harness VLA（arXiv 2607.08448，即其对比基线 RPent）把记忆引导的 agent 接到 frozen VLA 上，正是这条线的另一支。

读这两篇前的术语表（后文直接使用）：

🧩 Zetta 深拆：把「反思」从 episode 之后搬到动作之间

1. 它到底在解决什么问题

论文开篇点的病灶非常具体：现有具身 agent harness 是开环的。执行开始后，agent 要么按固定技能走，要么按预设轨迹走，反思只发生在一整局结束之后（post-hoc reflection）。问题是物理交互不等人——抓取滑脱、接触丢失都发生在亚秒级，而大模型 agent 的推理频率根本追不上。于是形成一个尴尬错位：

大模型负责「想」，但它想得太慢；小模型/代码负责「动」，但没人教它什么时候该喊停。

论文把挑战拆成三条：

1. 开环的语义-物理鸿沟：frozen 基座模型语义理解在线，但对物理状态漂移无感知，一局之内不会自我纠正。
2. 过度参数化修复的泛化陷阱：直接调基座权重去修某个失败，等于用一个高维旋钮对准一个低维病灶，改完这个种子坏那个种子——所以 Zetta 宁可不动权重。
3. 专家在环调试不可扩展：人工看日志改代码，人力是天花板，必须自动化。

对应的三条设计原则：高频状态治理（在动作频率上布署轻量 critic）、自顶向下分层因果诊断做最小干预（原话是「若高层逻辑能解决，绝不改低层参数」）、自动化进化泛化（把种子级修补抽象成机制级不变量，再用留出集验收）。

2. 形式化：双智能体治理 + 可进化舱体

Zetta 把系统切成「固定部分」和「可进化部分」：

• 固定：基座策略 π_VLA（或 WAM）与编排者 A_orch（Orchestrator）——连决策函数都不许变，防止单位点漂移；
• 可进化舱体 H = {C, R, T}：
  • C（Critics）：高频运行时监视器，输出结构化提案 P_t（哪里不对、证据是什么）；
  • R（Recovery）：恢复剧本——发现问题后怎么把系统拉回可控状态；
  • T（Toolset）：可执行工具与算子（规划器、抓取检测器、恢复模块），会被生成、实例化、替换，而不只是调参。

裁决逻辑（论文式 3）：执行中每一步的模式 σ_t 由编排者裁决：

σ_t = 0 表示继续走 VLA/WAM，σ_t > 0 表示切换到专用工具。K 是任务知识（预定义里程碑、成功判据、环境约束）。注意这里的关键约束：critic 高频提议，但只有证据被编排者接受才允许干预——既避免了「大模型每步都在环里」的延迟，又避免了「critic 一惊一乍」的误触发。

优化目标（论文式 5）：

即：在 π 和 A_orch 不动的前提下，只优化舱体配置，让期望任务成功率最大。

Fig.1（论文第 1 图）四件事：① 高频运行时 critic 在执行中触发恢复；② 经验证的失败被蒸馏成可复用的 critic 与恢复技能，跨 rollout 复用；③ 硬件解耦的 rollout 层把这套流程铺到异构环境/模型/CPU/GPU 上；④ 由此得到持续同任务改进、零样本技能迁移、机器人「Aha Moment」和执行加速。

上面这张自绘图是全文骨架：左边是在线环（rollout → critic 提议 → orchestrator 裁决 → 恢复/回控），右边是离线环（Phase I 失败画像 → Phase II 诊断修复 → Phase III 合并打包），中间靠「验证门」交换信任——离线产出的舱体补丁必须过门才能回流在线。两个环的频率差就是论文的核心设计变量：在线环跑在动作频率，离线环跑在迭代频率。

Fig.2 逐栏拆解：

• 左（Parallel Rollouts）：动作策略执行任务，Evolvable Harness（H = C/R/T）在其上监控，Orchestrator 做高层裁决；rollout 结束按成败分成成功/失败两类轨迹。
• 右（Reflection & Evolve）：失败轨迹触发离线三阶段——Phase I 把失败对成功基线做聚类画像；Phase II 做因果诊断定位根因层 L*，随后做最小舱体修复（更新 C、R、T）；Phase III 把种子级补丁泛化成统一的版本化舱体包 H_merged，再喂回执行循环。

3. 三个时间尺度的循环（论文的灵魂）

有个容易忽略的细节：Loop 2 里没有梯度可下降——技能和代码不提供梯度。论文明确借用了 SkillOpt 与 EmbodiSkill 的思路，构造一个 SGD 式的代码空间优化过程：诊断相当于「算损失」，修复补丁相当于「一步更新」，验证门相当于「验证集早停」。把 LLM 写代码的过程类比成梯度下降，是这套方法论最好玩的一步棋。

4. Phase I：失败画像——先把病历写规范（Loop 1 落地）

Phase I 的产出叫失败种子清单 M_fail，靠三件套：

• 确定性调度与执行协议：同种子、同随机性地重放，保证证据可比；
• 多维证据采集：不止看最终成败，还采过程证据；
• 分类与索引：给每条失败轨迹挂上结构化标签。

它回答的问题朴素但关键：不是「它失败了」，而是「它从哪一步开始不像成功的样子」。

5. Phase II 第 1 步：聚类 + 诊断——按「最早偏离点」分类

机制级失败聚类。论文拒绝按最终结果做表面分类，改用 Earliest Observable Divergence（EOD）：在轨迹里找第一个偏离「健康分布」的时刻（论文式 10）：

配合 第一个缺失的里程碑 m*、机器人-物体相对位姿、活跃工具 ID，把 M_fail 切成互斥的失败簇 {K_1…K_n}。再给每个簇挑一个medoid seed（特征空间里离簇心最近的样本）作为深度诊断对象——等价于「不修平均病例，修最有代表性的病例」。

单视图接地观察协议：为防多模态模型在多视角之间「幻觉空间关系」，诊断只锚定一个主视图——这是对 VLM 老毛病的工程性防御。

自顶向下六层因果诊断（论文式 11）。对选定种子按固定优先级逐层排查，找最高优先级的根因层 L*：

「从上往下修，能不动参数就不动参数」这条纪律，保证了补丁落在最小有效层，基座模型完整性不受侵蚀。诊断完还要在簇内其他成员上验证机制一致性，最后输出修复候选规格：定位的层 + 因果证据链 + 对 (C, R, T) 的功能需求。

6. Phase II 第 2 步：最小修复 + 「回控契约」

修复由 Repair Agent A_repr 执行，产出补丁 H_patch = {C*, R*, T*}：

• Critic Enhancement：开发或细化高频监视函数，捕捉该失败的前兆条件（而不是事后症状），偏差时生成结构化提案；
• Recovery Drafting + Tool Adaptation：写恢复剧本、适配或合成可执行工具。

其中最值得抄的一个设计是 VLA 回控契约（Re-entry Contract，论文式 12）——恢复不是「做完就还手」，而是要满足一个显式谓词才准把控制权交还 frozen 策略：

两个条件缺一不可：当初的失败证据被显式清除（防「带着病交接」），且物理状态达到平衡（接触力稳定，防在抖动瞬间回控）。这本质上是把分布式系统里的「两阶段提交」思想搬进了机器人控制权交接：恢复动作最危险的时刻往往不是失败当下，而是交接那一瞬间——早一帧回控，策略就会在坏状态上继续作死。

修复后还有闭环验证协议：诊断性重放（对着原失败证据确认修复有效）+ 新鲜 rollout（确认不是过拟合某条轨迹），两步都过才算修复成功。

7. Phase III：合并、打包、双门验收——补丁如何变成资产

Generalization Agent A_gen 干的是「从个案到通则」的活：

• 机制合并：把一个失败簇内多条验证过的补丁做 OR-merge，抽成机制级不变量，得到统一舱体 H_merged；
• 打包外置（保证可移植与版本管理）：
  • SKILL.md：高层治理逻辑——里程碑 M、编排者裁决规则、泛化的回控谓词 Ψ；
  • tools/：进化后的 critic 与工具集的可执行实现；
  • plans/：泛化的恢复剧本；
  • params/：参数化配置。

双门验收（防自嗨的两道闸）：

1. 历史回归（论文式 15）：新舱体必须对原失败簇内所有种子达到 100% 成功率——一个都不许漏；
2. 留出评估（论文式 16）：在严格隔离的留出集上算成功率增量 ΔSR = SR(D_held-out | H_merged) − SR(D_held-out | π_VLA)，必须为正。

动态转场协议更狠：如果留出集暴露出新的失败机制、逼着你再去改 H_merged，那么这个被「污染」的留出种子会被降级为开发种子，必须重新领一份从未见过的留出集才能结束本迭代。翻译成人话：验收集只许用一次，用过了就不干净了。 这是对「一边刷留出集一边迭代」这一常见学术操作的制度性封堵。

8. Z-Infra：把 rollout 吞吐当成智能的限速器

论文有句很漂亮的论证：环境是学习数据的来源，rollout 越快，进化越快——所以吞吐就是自进化智能的限速器。 为此他们专门做了 Z-Infra（自称首个为自进化具身智能体设计的 rollout 基础设施），架构见下图：

Fig.3 三层分工：

• Control Plane（控制面）：接收 agent 的虚拟 rollout 接口请求（「执行什么」），负责路由、会话管理；
• Env Worker 层：管环境模拟——CPU 型仿真（MuJoCo/robosuite 逐会话维护状态）、GPU 并行仿真后端、渲染，各有各的生命周期与资源组；
• Rollout Worker 层：管模型推理——调度器、模型切分（VLM 与动作专家分开放）、量化运行时、动态批处理与异步调度。

它要同时解决两个麻烦：资源异构（一次 rollout 里既有微秒级 CPU 算子、又有吃显存的自回归/扩散动作生成、还有 CPU 密集的物理步进，单一资源池和调度策略都不适配）和执行动态性（agent 动态决定调哪个工具，这一步可能只调策略、下一步连着感知规划一串，会话创建/暂停/销毁完全不规律——静态分配必然浪费）。解法是解耦抽象层：agent 只说「做什么」，基础设施管「在哪做、怎么做」，加机器不改 agent 代码。

性能数字（Z-Infra 实验，8×A100，LIBERO Goal，并发 1/8/16/32/64）：

• 吞吐：RPent 1.72 条/分 → 自家无 Z-Infra 2.88 条/分 → 有 Z-Infra 并发 8 时 12.18、并发 16 时 22.09（7.7× vs 无 Z-Infra，12.8× vs RPent）、并发 32 时 32.8、并发 64 饱和在 35.1 条/分（20.6× vs 基线起点 1.7）；
• 延迟：Z-Infra 单局延迟并发 8→32 只从 39s 涨到 57s（+46%），并发 64 才到 95s；自家无 Z-Infra 则从 34s@8 直接爆到 112s@16；RPent 因为每个决策点都要调 LLM API，基线就高得离谱（392s → 513s）；两个基线在并发 16 以上直接 OOM；
• 端到端：对比 RPent，推理延迟 −91%（11.1× 加速），单局延迟 11.9×。

这里有个设计上的清醒：大模型只在离线 Reflection & Evolve 阶段出现，在线 rollout 全程是「纯 VLA + 轻量运行时 critic」。这正是 Zetta 对「大模型在环延迟」问题的正面回答——不是把大模型调快，而是把它请出执行环，只留下它产出的代码站在环里。

9. 实验：两套基准、两条泛化协议、8×RTX 4090

实验设置（论文 4.1 节）：8 张 RTX 4090 做并行 rollout 与离线进化；LIBERO-Pro 用 π0.5 做 frozen 基座，RoboCasa 用 GR00T N1.5；全程不微调基座权重。两套基准各配一条严格隔离的泛化协议：

主结果一：RoboCasa 18 任务（论文 Table 2）——宏平均从 frozen 基座的 73.56% → 93.56%（+20.00pp），四轮全局修复的爬坡轨迹是 73.56 → 78.71 → 84.85 → 90.54 → 93.56。因为 VLA 全程冻结，这 20 个点全部是舱体里验证过的执行知识的积累，不是模型容量换来的。

主结果二：LIBERO-Pro 40 组任务-设置（论文 Table 3）——总体宏平均 32.00% → 71.13%（+39.13pp），分项：

40 组里 32 组提升、8 组持平、零组变差。论文摘要里的头条数字 34.5% → 90.8% 就是 Goal(T) 与 Goal(S) 两个设置的平均（(31+38)/2 = 34.5 → (92.5+89)/2 = 90.75）——读这类论文要小心口径：只算 Goal 扰动集很好看，算上 LIBERO-10 的整体是 71.13%，两者都真实，但用途不同。

Fig.6a/6b（累积进化曲线）：横轴是「选定的累积舱体版本」，纵轴是十任务平均成功率，两条曲线分别对应 Goal-T 与 Goal-S 扰动。每个点只代表舱体在长大、VLA 没动。 曲线形状值得注意——不是匀速爬坡，而是「平台 → 跳变 → 平台」，这正是下一段 Aha Moment 的宏观投影。

10. Aha Moment：平台期之后的跳变

论文把「停滞很久然后突然拉起」定义为 Aha Moment，并强调这些 checkpoint 是离线诊断过程中的内部版本（v0→v1→v2），既不是新 rollout 轮次也不是 VLA 训练：

• LIBERO-Pro Goal-T2（把瓶子放进碗）：v1 加了「预抓取 staging」改善接近几何，成功率只有 10%→15%（停滞，因为没解决运输途中丢物体）；v2 真正定位瓶颈是抓取保持，加了一个「运输前验证持物稳定性」的 critic，直接跳到 95%；
• Goal-T8：v1 微升 5%→10%（弱抓取没解决），v2 用恢复技能盯住「接触-抓取-保持」全序列，拉到 60%；
• Goal-S6（放奶油奶酪）：v1 修「释放门」只治了晚期症状（5% 停滞），v2 把注意力挪到接近阶段缺乏语义进展，一个校准过的语义抓放恢复同时解决接近/抓取/运输三段，冲到 90%；
• RoboCasa：TurnOnElectricKettle 88%→94%（顿悟是「末端执行器简单重对齐就能恢复 VLA 期待的几何」）、SlideDishwasherRack 76%→94%（关键是接触丢失后重建居中接触）、CloseToasterOvenDoor 82%→96%。

聚合数字：Wine Bottle in Bowl 15% → 95%、Put Cream Cheese on Bowl 5% → 90%。论文由此提出一个很有力的论断：物理智能的可扩展单元不是轨迹，而是「状态变量的识别」——抓住「抓取稳定性」「接近几何」这类任务无关变量，一个 critic 就能救活一整片失败。

11. 零样本技能迁移：改一个任务，救活三个任务

这是我认为全文最漂亮的实验设计。源任务上累积出的三件套，不加任何目标任务优化直接搬过去：

Fig.10（Pick-and-Place 线）：源任务 PnP-Stove 78% → 84%（预抓取对齐）→ 94%（抓丢后重抓）→ 96%（稳定放置）；把这套累积栈零样本投到三个目标任务：

Fig.11（铰接交互线）：源任务 TurnOffStove 74% → 82%（目标旋钮接管）→ 84%（预接触）→ 92%（稳定接触）；右侧三格配图是三轮演进的失败→恢复对比——「转错旋钮 → 定位对的旋钮」「接近没对准 → 对准」「接触不稳 → 稳定接触」。迁移结果：

两次迁移的共同点：被复用的技能全都作用在任务无关的物理量上（末端对齐、接触稳定、持物保持），而不是记住了源任务的轨迹。LIBERO 上也有同样的实验（Fig.7 以 Goal-T8 为源迁到 T2/T6/S3，其中 Goal-S3 从 9/20 → 20/20；Fig.8 以 Goal-S5 为源）。

12. 两个案例研究：一次 aPnP 的连续干预，与失败边界的推进

Fig.12：VLA 先抓起并搬运物体 → 一个 critic 检测到抓取丢失、触发重接近恢复 → 恢复里发现重抓位姿无效，调用 GraspGen 合成可行抓取位姿 → 接近目标时，最后一个 critic 调用稳定放置。一个回合里三次不同层级的干预，展示了 C/R/T 三件套如何接力。

Fig.13：父 VLA 在 Goal-S5 上耗尽执行预算也等不到及时的恢复交接；随后每一轮 promotion 加一件装备——持物门控交接 → 接触门控抓取恢复 → 有界重抓重试——每件新增装备都消灭一类残余失败，「失败边界」被一轮轮往外推。这张图是「累积进化」最直观的诠释：不是换更强的模型，是给同一个模型逐件配齐安全带。

13. Zetta 的边界（读完必须记住的三条）

1. 全程仿真验证，没有真机。所有成功数字来自 LIBERO-Pro 与 RoboCasa 模拟器；critic 读的接触力、物体位姿在真机上要么传感器没有、要么有噪声，移植时「单视图接地 + 状态证据」的假设要重做。
2. 任务知识 K 是人给的。里程碑、成功判据、可接受的接触阈值 γ 都预置在 SKILL.md 里——进化优化的是「怎么达到你定义的成功」，不是「什么算成功」。
3. 「under our current rollout budget」这个限定词作者自己反复出现。曲线仍在上涨意味着数字未饱和，但每一分提升都以大规模并行 rollout 为代价（这正是他们要做 Z-Infra 的原因），复现成本不低。

🤖 EmbodiRSI 深拆：让「要采什么数据」跟着「现在哪里失败」走

1. 它在解决什么问题

具身策略适配新任务/新环境太吃数据，而论文点出一个循环依赖：下一步最需要的数据，取决于策略现在的失败模式——策略变了，弱点就变了，固定分布采一批数据用到底的做法天然低效。EmbodiRSI 的回答是把改进做成递归：每轮 rollout 的反馈，直接决定下一轮采什么数据、生成什么矫正轨迹。

Fig.1（论文第 1 图）读法：真实观测 + 任务目标 → 构建可执行仿真环境与经过验证的示教；在这个环境里，rollout 反馈驱动两条互补通路——协作纠错（CEC）与自适应数据采集（ADC）；产生的经验更新策略进入下一轮，形成递归循环；最后用一小份**真人在环（HIL）**数据集微调，得到可自主部署的策略。

自绘大图强调递归预算这一点：R0/R1/R2 三轮用 50/200/400 条保留仿真轨迹，轮数和配额预先固定——反馈只决定「预算内怎么花」，不决定「花多少」。这是系统与「无限自改进」幻想的分界线。

2. 第一环：把部署场景变成可执行仿真（Real2Sim）

对象级重建：VLM 先在输入图里认出桌子和可见可动物体 → SAM 3 出实例掩码 → SAM 3D 重建带纹理网格，场景表示为 S_0 = {桌子 o_T, 物体 o_1…o_N}，每个物体带语义类别、网格与 SE(3) 初始位姿（论文式 B.1）。物体身份贯穿场景编辑与轨迹生成全程——指令说的「遥控器」和几何检查、机器人程序里的遥控器必须是同一个对象。

附录场景管线图分上下两段：

• (a) 编译可执行初始场景：观测重建 → 支撑感知碰撞矫正（AACR） → 验证过的工作区 S_0。AACR 又分两步：**PHR（并行水平矫正）**把相交的物体组当整体向外分离，保住组内关系、只对扫掠区不相交的组并行批量处理；**AIR（组内自适应矫正）**按物体关系选算子——同支撑面的用水平分离、包含关系用垂直调整、插入式排布用有界倾斜。语义推理决定用哪个几何算子，碰撞检查负责验证，两者不互相替代。
• (b) 精化任务导向布局：渲染三视图（正/顶/侧）检查 → 场景智能体先提粗关系（在…上面/里面/旁边）再做逐物体位姿精修 → 批评-验证环节检查支撑、碰撞与任务关系，不接受就要求可执行的位姿编辑、再渲染；接受后得到初始/组织后场景对 (S_0, S_org)，两者的差异就是物体级操作目标。

批评-调整闭环配图更直观：语言指令（“Please tidy up the desk”）+ 目标布局图 → 3D 场景生成 → Critic Agent 重渲染并打分（示例输出 "score": 76, "pass": false, "issue": "Remote outside tray"，反馈「把遥控器挪到托盘中心」）→ Adjustment Agent 产出结构化动作 JSON（screen_translate、rotate_deg、snap_to_table）→ 更新场景状态（物体表、坐标系约定、正/顶/侧视图）→ 打分通过则落定为 Final Scene。场景构建本身就是一个带批评器的 agent 循环，和 Zetta「critic + 修复」的形制遥相呼应，只不过这里修的是场景而不是执行。

重建示例图给了三种输入来源的重建质量直觉（移动相机实拍、机器人相机实拍），下方是任务导向组织：初始布局 → 目标布局，示例目标关系如 “Remote into tray"“Mouse onto pad”——注意图里那行小字：这些是轨迹生成的输入，不是对重建质量的评测。附录还有更大画廊（含网页图、AI 生成图输入）：

画廊按输入来源分四行（移动相机、网页图、机器人相机、AI 生成），每格都是 Input vs Reconstruction 对照，底部标注**「仅定性示例；外部与合成输入不计入基准试验」**——对「拿好看的重建图当定量结果」防得很严。

轨迹智能体：把场景对编译成可执行任务配置与验证过的示教——先提物体空间路线，经 GraspGen 投出抓取候选，再用 cuRobo 校验完整机器人程序；准入条件包括扫掠体碰撞检查、多视角复核、顺序运动可行性、执行时任务检查，不合格的修复重验或直接拒绝；存储的 waypoint 锚定在源/目标位姿上。这一步等价于给仿真环境配了一个不发假数据的出纳——进训练集的每条示教都先过物理验证。

3. 第二环：仿真内的 RSI 循环（方法核心）

上图就是论文 Fig.2 的完整信息流，四个模块顺时针转：

① Agentic Rollout Monitor（论文式 1）。监视器 agent 融合时间图像窗口 + 动作历史 + 仿真器物体/机器人状态，输出三选一决策：

视觉证据负责识别抓空、打滑、放错位置；程序化检查量测目标-物体误差与夹爪状态；完成判定要求视觉决策与几何成功同时成立；恢复请求要过四道闸——置信度、冷却期、尝试预算、持物测试（防止打断正在进行的有效搬运）。所有决策连同配置 ID、场景状态、失败证据一起落日志。注意一个刻意设计：仿真器的物体位姿只用来支撑这些监视/训练工具，不喂给被学习的策略——评测时策略的输入仍是纯 RGB + 本体感觉 + 指令。

② Collaborative Error Correction（CEC，论文式 2）。核心原则一句话：恢复必须从策略实际到达的状态把任务做完，而不是从初始状态重放一份干净示教。 触发时刻 t_f，把标称抓取位姿通过物体位姿变换搬到现在的位置：

候选配置按确定顺序试探但不推进仿真；入口运动从当前关节状态规划，目标重新锚定到当前场景；诊断与规划期间仿真时钟暂停。纠正完成后刷新观测、检查完成、满足恢复闸再把控制权交还策略。这套机制的红利有两层：回合内它救命（失败状态被拉回来），回合外它产数据——成功续接的轨迹提供了「从不完美状态出发」的动作监督，正是标准示教里最缺的那一段。

③ Adaptive Data Collection（ADC，论文式 3、4）。把采集分布对准当前策略的已诊断弱点：

• 每轮采集后，agent 把最终失败归因到「源物体复位」「目标锚复位」或「都不是」；归因可缓存复用，不重复调 VLM；
• 把复位位置归一化到网格，算归因失败率 r̂ = U/N（分母是该格完成且位置有效的监控回合数，分子只计有支撑归因的最终失败——经恢复成功的回合不进分子，这套统计描述的是「辅助采集」而非「无辅助测试」表现）；选格要求：观测与归因失败都够量，且失败率超过该主体的全局失败率；
• 选中的格映射回世界坐标，收紧对应复位范围（支持够时连朝向一起收）；随后按混合分布采新示教：

p_hard,k 把采样集中到已诊断的弱配置，p_0 保证 α<1 时原始分布仍可达；且该精化只作用于训练采集，测试时复位完全不动——防止「考题跟着复习范围走」。

④ 数据累积与策略更新（论文式 5~7）：

实现里 R_t = 0、n = 50，二值标签完全由价值估计的变化决定；优势标签以文本条件的形式喂给动作预测，记录的动作仍是监督目标。价值模型与策略共用同一视觉-语言骨干（同检查点初始化）加价值头。外层由 OpenClaw 监督者经 MCP 接口协调整个 RSI 工作流，智能体系统基于 GPT-5.5，仿真平台为 Isaac Sim。

Algorithm 1 把流程收成 12 行：建仿真 → 采 D_0 训 π_0 → 每轮（rollout + 诊断 + 符合条件的状态条件恢复 → 保留 D_k^roll → 归因失败按式 4 形成 p_{k+1} → 在 p_{k+1} 下生成验证过的 D_k^new → 按式 5~7 累积、标注、训练 π_{k+1}）→ 少量真机 HIL 微调 → 只用学到的策略独立评测。最后这句是防作弊关键：终评关闭 agent 接管、规划器恢复与人工纠正——测试时的重试也只能是策略自己学会的行为。

4. 实验：三个场景、14 个子任务、一台双臂 ALOHA

设置：14 自由度双臂 ALOHA（两个腕部相机 + 一个头相机，仿真观测与之对齐），配对工作区 S1 办公桌（6 子任务）、S2 厨房桌（4）、S3 家务桌（4），每场景一个策略；R0 从 π0.5 检查点初始化；R0/R1/R2 分别保留 50/200/400 条仿真训练轨迹/子任务；HIL 阶段再加每子任务 10 条真人纠错轨迹；所有测试纯策略、无外部恢复，真机每任务每设置 10 次试验；汇总用场景均衡均值。

Fig.3 上排真机工作区、下排对应仿真环境，逐列同场景——「配对」是全文可信度的地基：仿真里改进的每个子任务，真机上都有同定义的考题。

结果一：递归轮次自身在涨（论文 4.1 节）。场景均衡仿真自主成功率 50.4%（R0）→ 70.7%（R1）→ 83.5%（R2），14 个子任务全部从 R0 涨到 R2（例如 S1 黑笔放置 14.0% → 76.5%）。质性观察与两条反馈通路吻合：早期策略抓空后仍继续搬运，后期抓取更稳、且会主动重试无效交互（部分重试直接完成任务）；50 条示教初始化时策略还会混淆红帽记号笔与红笔的指令，预算加大后这种指令混淆不再复现，残余错误转为纯执行错误。

结果二：等预算对比——自适应 vs 静态（论文 Table 1，S1+S3，400 条/子任务）：

同样 400 条数据，数据怎么来的造成 20 个点的仿真差距；而且这优势穿过真人微调仍然保留（+14.2pp）——不是「仿真里自嗨、回真机清零」。

结果三：数据效率（论文 Table 2，真机，场景均衡）：

头条数字由此而来：400 条仿真 + 每子任务 10 条真人纠错 = 83.1%，打赢「每子任务 200 条纯真机示教」的 75.0%——物理轨迹用量只有对方的 1/20。 另注意 R2 零样本上真机已有 62.8%：仿真里递归出来的能力确实能直接搬过物理-仿真鸿沟，HIL 只是修残差（例如 S1 红笔放置 R2 前固定 2/10，HIL 后 7/10；而眼镜放置 HIL 前就已 10/10）。

真机执行示例图给的是两种训练配方下的执行对比：左侧纯真机 200 条示教、右侧 EmbodiRSI 配方（400 仿真 + 10 HIL），配合论文描述可归纳两类典型差异——抓取对齐的一致性与失败后重新尝试的能力（后者是 CEC 在仿真里反复喂「从失败状态续接」数据的直接产物）。

结果四（隐含的反面教材）：窄开口放置类子任务在两种配方下都会暴露近接触误差（笔放不进笔筒），但论文也诚实指出受约束放置并不注定失败——这类「难任务」正是 ADC 归因网格最该盯的地方。

5. EmbodiRSI 的边界（论文 Limitations + 我们补的两条）

1. 只验证了场景内适配：没有留出工作区（held-out workspace）实验，跨场景泛化未检验；
2. 系统级研究，无组件归因：恢复、重采集、agent 推理是联合作用被评测的，CEC 和 ADC 各自贡献多少没有拆（作者承诺后续补消融）；
3. （补）递归深度受预算封顶：轮数与配额预设，RSI 在这里更像「聪明的两轮数据配比」，而非开放式的持续自我超越；
4. （补）重建误差决定上限：SAM3D 重建的几何/物理属性若失真，ADC 的归因与 cuRobo 的验证都会在错误的地基上打转（论文靠 AACR + 逐项校验缓解，但未给重建误差的定量评估）。

🌍 第三形态：世界模型当「想象沙盒」——RSI 的另一半拼图

两篇论文之外，2026 年的具身 RSI 还长出了第三根枝，值得单独交代，因为它和你的世界模型工作线直接相关。

如果按「递归里跑的是什么」给 RSI 分类，会得到三种形态：

1. 工具链自改进（改代码/改技能库）：Voyager 一脉，Zetta 是它的具身形态——递归的对象是 critic、恢复剧本、工具集这些可执行代码资产，策略本身不动。
2. 数据自循环（改数据分布）：DAgger → SOAR → RECAP → EmbodiRSI——递归的对象是「下一步采什么」，每轮 rollout 的失败反过来当采集器的输入。
3. 想象递归（改环境本身）：RISE 用组合式世界模型做策略改进——在学到的世界模型里做想象 rollout、做优势估计，再回真实机器人验证（论文报告在动态抓放、背包收纳、关箱等任务上较基线提升 35/45/35 个百分点量级）；Dream-RSI（arXiv 2609.14858）走得更远，主张「可重放的模拟器就是可递归探索的世界」，把 RSI 从「改进策略」上升到「递归探索算法、内核与数学工具本身」。

三者其实可以叠着用：世界模型产想象数据（形态 3）→ ADC 式采集器挑数据（形态 2）→ 失败蒸馏成 critic 代码（形态 1）。GigaWorld-0 那类「世界模型当数据引擎」的工作解决「数据从哪来」，Zetta 这类 harness 解决「执行怎么稳」，Dream-RSI 这类工作追问「递归的边界在哪」——三张拼图合起来，才接近《The Last AI Built by Humans》里 L4~L5 的图景。

⚖️ 两篇对照：同一思想，两种物理形态

最有意思的一行是**「回合内干预」**：两篇其实都做了「失败状态下的回合内恢复」（Zetta 的 Recovery、EmbodiRSI 的 CEC），但产出物截然不同——Zetta 把恢复写成可复用的代码技能，EmbodiRSI 把恢复轨迹直接当训练数据。一个存「经验的规则形态」，一个存「经验的数据形态」。

💡 深度评析：三个最妙的设计，三个要留心的边界

三个最妙的设计

1. 「大模型出环，代码进环」的分工。两篇从两侧逼近同一个答案：物理执行环里容不下大模型的延迟（Zetta 干脆只在离线调 LLM；EmbodiRSI 的测试时直接禁止 agent 接管），于是大模型的智慧被蒸馏成两种可慢速消费的产物——Zetta 是代码（critic/剧本），EmbodiRSI 是数据（矫正轨迹/归因）。这是「快慢系统」在具身上的工程落地：快环跑小模型，慢环养大模型。
2. 两套防自欺的验收制度。Zetta 的「历史回归 100% + 留出集一次性使用、污染即降级」和 EmbodiRSI 的「测试关闭所有辅助、每条示教先过 cuRobo 物理验证」，都是针对「评测被迭代污染」这一顽疾的制度性防御。方法论论文最该学的往往不是模型结构，是这些看似琐碎的protocol。
3. 失败的「归因网格」与「最早偏离点」。EmbodiRSI 把最终失败归因到具体复位格子再收紧采样（r̂ = U/N），Zetta 用 t_EOD + 首个缺失里程碑聚类——两者都在做同一件事：把「失败」从一个标量变成一个有坐标的对象。只有失败带坐标，改进才有方向；这也是「数据/代码跟着弱点走」能够成立的数学前提。

三个要留心的边界

1. 验证鸿沟的分布不均：Zetta 全仿真、零真机；EmbodiRSI 有真机但只有 1~3 个桌面场景、14 个子任务。「闭环自进化」在模拟器里的成立条件（状态可观测、可完美重放）在真机上会被传感器噪声和不可重置性逐条打破——谁先把这套闭环搬到真机长时段运行，谁就拿下下一个身位。
2. 成功的口径与成本：Zetta 的 90.8% 只算 Goal 扰动集（全集 71.13%），且每个百分点背后是「50 开发种子 × 多轮 rollout × 每轮 LLM 离线诊断」的账单；EmbodiRSI 的 83.1% 依赖 GPT-5.5 管线 + 每场景独立策略 + 预算封顶。RSI 现在是「用计算和 token 换数据效率」的生意，账要算总成本。
3. 谁定义成功，谁就拥有进化的上限：Zetta 的里程碑与成功判据写死在任务知识 K 里，EmbodiRSI 的目标布局由 agent 对照目标图打分——系统优化的是「逼近人给的成功定义」。把「什么算成功」也交给系统自己发现（即 L4/L5 的评估自主性），目前只有 Dream-RSI 那条想象递归线在试探，成熟度远低于这两篇。

和你读过的工作拼起来

• GigaWorld-0 / Cosmos-3（世界模型当数据引擎）↔ EmbodiRSI（数据引擎自己会看菜下饭）：前者解决产能，后者解决配料方向；把 GigaWorld 的合成管线接上 ADC 式弱点归因，就是「世界模型版的 EmbodiRSI」。
• RDT / Flow Matching 动作专家（策略本体）↔ Zetta（策略的舱外挂具）：策略再强也有执行期故障分布，frozen 策略 + 会进化的舱是与「继续堆参数」正交的一条路。
• Flow-GRPO / 后训练 RL（改权重的另一派）：Zetta 用「不动权重涨 20~40 点」证明了执行期治理是被低估的自由度——两条路不互斥，先加舱再谈微调是更省钱的顺序。

🗺️ 相关工作地图：按「你改的是哪一层」检索

检索心法：拿到一篇「自我改进」的具身论文，先问三个问题——递归对象是什么（代码/数据/环境）？失败存在哪（技能库/数据集/归因网格）？验收谁来做（回归测试/隔离留出/关辅助评测）？ 三个答案一定，它在上表的坐标就出来了。

🎤 汇报口述稿

30 秒版：

这两篇 2026 年的论文都在做具身系统的递归自我改进，但路线相反。Zetta 冻结 VLA，让外面的执行舱体——代码写的 critic、恢复剧本、工具——按失败证据自动进化，RoboCasa 上 73.56 拉到 93.56，全程没动一个模型参数；EmbodiRSI 反过来，从真机场景重建专属仿真，在里面用「纠错轨迹 + 弱点定向采数」递归训策略，仿真 50.4 涨到 83.5，最后只用每子任务 10 条真人纠错就以 83.1 超过 200 条真机示教的 75。一句话：一个修策略外面的执行系统，一个修策略自己的数据食谱。

2 分钟版（分四段，按需删减）：

背景：递归自我改进不是新词，源头是 I.J. Good 1965 年「智能爆炸」的猜想，2023 年靠 Reflexion、Voyager 这些 LLM 工作在数字域落地，机器人这条线从 DAgger、RoboCat 一直排到 2026 年的集中爆发。

Zetta：它诊断的问题是现有 agent harness 是开环的——反思只在整局结束后发生，物理世界不等你。解法是三个时间尺度的循环：动作频率上跑轻量 critic 做当帧干预（orchestrator 裁决才准动手），rollout 批频率上做聚类和六层因果诊断，迭代频率上过「历史回归 100% + 留出 ΔSR>0」双门才把补丁写进技能包。大模型只在离线写代码，在线零 LLM 调用，所以配套的 Z-Infra 能把吞吐从 1.7 拉到 35.1 条每分钟。结果 Goal 集 34.5 到 90.8，而且学到的恢复技能零样本搬到三个新任务还带 16~20 个点。

EmbodiRSI：它的前提是「下一步需要什么数据取决于策略现在的弱点」。做法是 Real2Sim2Real：SAM3/SAM3D 把部署场景重建进 Isaac Sim，经过碰撞矫正和带物理验证的轨迹生成，得到可信沙盒；里面 rollout 监视器输出 continue/recover/complete，协作纠错从失败状态续接出矫正轨迹，自适应采集用归因网格把专家示教定向砸到弱点格子；数据带 RECAP 式优势标签回训，递归两轮。仿真 50.4 到 83.5，等预算下比静态采集高 20.6 个点，真机 83.1 超过 200 条纯真机示教的 75，物理数据只用了二十分之一。

评价：两篇最漂亮的地方是同一个——都把大模型请出执行快环，把它的智慧蒸馏成慢速可消费的产物（代码 or 数据），并且都建了防评测污染的制度。边界也很清楚：Zetta 没碰真机，EmbodiRSI 只做了场景内适配且没有组件消融。再往下走，把世界模型的想象 rollout 接进来（RISE、Dream-RSI 这条线），三种递归形态就能叠成一个完整的自改进栈。

❓ 自测 Q&A

Q1：Zetta 到底冻结了什么，又进化了什么？ 冻结基座策略 π_VLA 和编排者 A_orch（连裁决函数都不变）；进化的是舱体 H = {运行时 critic、恢复剧本、工具集}，以代码包（SKILL.md + tools/ + plans/ + params/）的形式版本化。成功率的提升全部来自执行期知识，不是参数。

Q2：为什么用代码 critic，而不是让大模型每步盯着执行？ 三个理由：① 频率——物理失效发生在亚秒级，大模型推理追不上，代码 critic 跑在动作频率；② 成本——RPent 每个决策点调 LLM API，基线单局延迟就 392~513 秒，Zetta 在线零 LLM 调用，延迟降 91%；③ 可验证——代码补丁能做「历史回归 100%」这种硬验收，模型输出只能靠采样碰运气。

Q3：回控契约 Ψ(s) 解决什么问题？ 解决「恢复动作何时算完」的交接安全问题。两个合取条件——原失败证据显式清除 + 物理状态稳定（接触力 > γ）——保证策略是在一个干净、平衡的状态上接回控制权，避免恢复刚做完最抖的那一刻就把主导权还回去导致二次失败。

Q4：EmbodiRSI 的 CEC 和 ADC 分别补什么数据缺口？ CEC 补**「从不完美状态出发」的续接数据**——标准示教都是从初始状态演到成功，策略真正卡住的中段没有监督；ADC 补**「弱点分布」的数据**——用归因网格找出当前策略总失败的复位格子，把采样分布往那儿压（p_{k+1} = (1-α)p_0 + α·p_hard）。一个治「状态覆盖」，一个治「配置覆盖」。

Q5：两篇分别怎么防止「考试考到原题」？ Zetta：开发种子与考核种子严格不相交；留出集只许用一次，一旦为修新失败而动过舱体，被用过的种子降级为开发种子、必须换全新留出集。EmbodiRSI：训练采集的归因、复位收紧只作用于采数，测试复位完全不变；终评关闭 agent 接管、规划器恢复与人工纠正，每任务每设置独立跑 10 次真机试验。

Q6：这和普通的「多轮迭代训练」有什么本质区别？ 多轮迭代的数据分布是预设的（固定数据集反复训）；RSI 的数据/代码分布由上一轮自己的失败反向决定——DAgger 是最早的例子，EmbodiRSI 加了归因网格与矫正轨迹，Zetta 更进一步把「失败 → 补丁 → 验收」做成带双门的代码优化循环。「反馈决定下一步生成什么」是 RSI 的判别特征，「递归有预算上限」是它与科幻版 RSI 的分界线。

Q7：为什么说 90.8% 和 71.13% 都对？ 口径不同。90.8% = Goal-T 与 Goal-S 两个扰动设置的平均（92.5 与 89.0），对应基线 34.5；71.13% = 再算上 LIBERO-10(T/S) 四个设置的总体宏平均，对应基线 32.00。头条取前者，全集是后者——引用时两个都给，才不会误判强度。

📚 资源与延伸

论文本体

• Zetta：arxiv.org/abs/2608.16590（2026-08-17，CC BY 4.0），项目页 air-embodied-brain.github.io/zetta
• EmbodiRSI：arxiv.org/abs/2609.38905（2026-09-30，CC BY-NC-SA 4.0）

顺着 Zetta 读：Harness VLA（基线 RPent，arXiv 2607.08448）、SkillOpt 与 EmbodiSkill（代码空间 SGD 式优化的来源）、REFLEXION / Voyager（数字域自我改进）、LIBERO-Pro（arXiv 2510.03827）、RoboCasa（arXiv 2406.02523）、RLinf（大规模 RL 基础设施对照）。

顺着 EmbodiRSI 读：RECAP（优势条件训练的直接来源）、SOAR（2024 自主数据采集）、DAgger（2011，交互式数据闭环的鼻祖）、RialTo / Re3Sim / RoboTwin（Real2Sim2Real 家族）、SAM 3 / SAM 3D（场景重建组件）、cuRobo / GraspGen（轨迹与抓取验证）。

RSI 主线延伸：I. J. Good《Speculations Concerning the First Ultraintelligent Machine》（1965）、Schmidhuber 的 Gödel Machine 系列、RISE 与 Dream-RSI（世界模型递归）、《The Last AI Built by Humans》（L1~L5 分级，arXiv 2609.11873）。

一句话结论：Zetta 教你把失败蒸馏成可验收的代码资产，EmbodiRSI 教你让数据采集跟着自己的弱点走；下一阶段的赢家，多半是把这两条闭环都接进世界模型想象沙盒的那一个。