插钥匙：三个最强模型都是 0%，一个会改自己工作程序的系统是 39.33%

先看一个卡住所有人的动作：把钥匙插进锁孔。

RoboDojo 的精度维度里有这么一道题。9 月 28 日的榜单快照上，三个来路完全不同的选手同时交出了 0%——π0.5，一个专门为操作训练出来的动作模型；GPT-6 Astra，把「看图、理解、决定机械臂怎么动」收进自己体内的通用大模型；Simate-beta，宣称用 4D 物理感知加分层时序记忆做泛化的「物理快系统」。三个都是各自路线里最强的，三个都 0%。

同一个格子旁边还有两个数字。插管：π0.5 是 3.33%，GPT-6 Astra 是 0%，香港大学 MMLab 与 KAI 的 PhysicalRSI 1.0 是 66%。

PhysicalRSI 做了什么特别的动作模型吗？没有。π0.5 就是它可以调用的工具之一。

一、先把那条尾巴接回来

上一篇仿真引擎那篇结尾留了一句话：8.80% 不好看，但可能是那份榜单里最有价值的数字，因为这是这个行业第一次愿意在公共考场上承认自己不及格。当时顺手写了个希望——一个敢公布 8.80% 的行业，比一个只会公布 demo 成功率的行业，离及格更近。

五周过去，榜单回了一个比「及格」更有意思的答案。

RoboDojo 官方榜单的更新日志可以逐条读。7 月 6 日首发，30 个模型，榜首是腾讯 Robotics X 的 Hy-Embodied-0.5-VLA，平均成功率 8.80%。此后几乎每周都有新上榜：8 月 24 日 DM0.5（19.34%）、9 月 16 日 GPT-6 Astra（22.48%）、9 月 23 日 Simate-beta（27.96%）、9 月 28 日一天上三个，其中 PhysicalRSI 1.0 直接站上 31.38%。

五周之内，同一张榜的榜首成功率从 8.80% 涨到 31.38%，3.57 倍。

而那个 8.80% 的模型，分数还是 13.07 / 8.80%——一分没动。它只是从第一名变成了十名开外（第三方转录的完整快照把它排在第 12 位）。

这就是本篇要讲的事：这轮涨分，涨的不是动作模型本身。

二、五维分解：没有一行是平的

RoboDojo 的仿真榜不给一个总分就完事，而是把泛化、精度、长程、记忆、开放词汇五个维度的成功率分开报。官方 Top 10 摊开是这样：

排名	模型	贡献方	综合得分	综合成功率	泛化	精度	长程	记忆	开放
1	PhysicalRSI	港大 MMLab & KAI	36.27	31.38%	15.62%	32.50%	37.33%	46.56%	24.92%
2	Simate-beta	Simate	33.95	27.96%	27.95%	26.92%	43.42%	33.00%	8.50%
3	VPP2-Preview	RobotEra	31.40	25.62%	24.62%	25.58%	22.17%	50.33%	5.42%
4	InternW0-Δ	上海 AI Lab	30.77	23.91%	22.78%	23.25%	29.33%	34.00%	10.17%
5	Liber-0 Preview	LiberAI	30.74	25.52%	18.61%	33.17%	33.17%	37.33%	5.33%
6	Liber-0 Lite	LiberAI	29.24	24.23%	19.11%	31.08%	32.92%	35.44%	2.58%
7	GPT-6-Astra	RoboDojo Team	28.97	22.48%	30.50%	4.00%	8.25%	38.67%	31.00%
8	DM0.5	Dexmal	24.90	19.34%	10.95%	16.75%	19.50%	47.44%	2.08%
9	GalaxeaVLA (G0.5)	Galaxea AI	20.23	14.88%	12.83%	20.42%	32.25%	7.33%	1.58%
10	Xiaomi-Robotics-1	小米机器人	20.07	13.93%	17.00%	18.83%	23.67%	6.56%	3.58%

第一件要看清的事是：没有一行是平的。

榜首的泛化只有 15.62%，不到第 7 名 GPT-6 Astra 的 30.50% 的一半；而第 7 名的精度只有 4.00%，是榜首 32.50% 的八分之一。

这推翻了「找到最强的模型」这种问法。榜首不是最强的模型，是综合分最高的组合。 PhysicalRSI 是拿泛化换来的精度、长程和记忆；GPT-6 Astra 反过来，用通用理解力换掉了精细控制。

前十名大致分三类：纯 VLA（Simate-beta、DM0.5、GalaxeaVLA、Xiaomi-Robotics-1）、世界动作模型 WAM（VPP2-Preview、Liber-0 两个版本）、以及在动作模型外面再套一层决策与改写机制的 agent 型（PhysicalRSI、GPT-6 Astra）。纯 VLA 最高名次是第 2，agent 型占了第 1 和第 7。

首季讲双系统架构时，System 1 和 System 2 的分工还是一个架构上的设计选择。现在榜单把它变成了可测量的事实——谁擅长哪一维，数字上写得很清楚，而且擅长的维度几乎不重叠。

三、那 39.33% 是怎么来的

PhysicalRSI 1.0 的名字值得拆一下：Physical Recursive Self-Improvement，物理递归自我改进。做法用团队自己的描述是三件事拼起来：

• System 2 负责理解和改写。 一个多模态基座模型判断「这个任务要怎么做」「刚才哪一步错了」，并且有权限改写下面那层的工作程序。
• System 1 负责执行。 技能模型、控制程序、工具。π0.5 在这里的位置只是一个可以被调用的动作工具，和「数字识别」「排序」「保存被遮挡物体的位置」是同一级别的零件。
• Physical API 是唯一的出口。 所有动作经它进环境，环境给出反馈。

真正关键的是第二件事里那个宾语——被改写的是「工作程序」本身，团队管它叫 Embodied Self-Harness。

叠衣服那道题的版本记录能说明白它在改什么。某个候选版本动了「松开衣服之后的回撤方式」：下降时记录机械臂实际经过的关节位姿，松开衣物后沿这条路径反向返回；而起点和下降点这两个参数每个回合重新测量。下一代继承的不是一组坐标，是「记录路径并沿路径回撤」这个方法。 衣服位置变了，程序会按现场重新建立状态，而不是照抄上一轮的数值。

父代读任务录像、动作记录和评估反馈，生成若干子代，每个子代绑定不同的工具、代码、记忆、技能组合；父子一起进环境评估，成绩更好的那个留下来继续产生下一代。团队把这套叫 System 1–2 协同自进化。在共同开发的任务上，成功率从 27.5% 走到 60%。

回到开头那把钥匙。π0.5 单独用，全榜 6.93% 成功率；把它当成这套结构里的一个可调用零件，同一个权重，31.38%。4.53 倍。 变的不是它，是它什么时候被调用、调用之前保存了什么状态、失败之后谁改了哪一行。

四、同一周，agent 那边发了几乎同名的论文

如果上面这些还只是圈子内部的事，那下面这个时间上的巧合就有点意思了。

9 月 21 日，Google Cloud AI Research 联合北卡罗来纳大学教堂山分校、斯坦福和圣路易斯华盛顿大学，发布了一个开源框架：RRSI，Regularized Recursive Self-Improvement of Agent Harnesses——智能体运行框架的正则化递归自我改进。论文编号 arXiv:2609.24972，Apache 2.0 许可。

一句话说它的主张：模型冻结，模型外面的一切——提示词、控制流、工具、记忆——都可以被反复重写。 这跟 PhysicalRSI 是同一个句式，只换了前面一个词。

对得上的是结果，而且这组数字的分量可能更重，因为 RRSI 做了一件评测上更难的事：把演化出来的 harness 拿到没见过的基准上跑。Terminal-Bench 2.1 从 74.2% 到 80.2%，在五个分布外基准上平均 +4.7 分，六个留出切分全部为正，没有一个回退——这个「没有回退」比涨了多少分重要。

真正扎人的是它顺带挖出来的失败模式：不加约束的 harness 演化会退步。 论文里两个不受约束的基线（AHE、TTHE）在留出集上跑得比它们出发时的那套 harness 还差，TTHE 低 1.7 分。「让 agent 自己改自己」天然会滑向对评测集的过拟合，作者用了四个筛子去挡：泄露检查、噪声地板、成本规则、剪枝。上一条留出集回退，正是刷榜的指纹。

还有一个细节比分数重要：用 Gemini 3.5 Flash 演化出的 harness，装到从未参与搜索的 Gemini 3.1 Flash Lite 上，Terminal-Bench 2.1 从 11.2 涨到 14.6——harness 是一份可迁移的资产，不绑定在模型上。

接回 agent 专栏那条线就清楚了。9 月 2 日那篇的结论是「模型趋同之后，决定体验上限的是壳」；9 月 4 日那篇把同一个模型套进四家壳里做思想实验，各自差出三十分。现在物理世界用一份榜单把同一件事又做了一遍——而且是在没有改任何一个动作模型权重的前提下。

不同的地方只有两处，但很要紧。

第一，物理世界的裁判不能回滚。 写代码错了，测试挂掉重跑就行；机器人把杯子摔了，那一回合就是摔了。所以「评估」在具身侧不是打分，是筛选：每一代子代都要付出真实的物理代价，哪怕在仿真里也得按同样的协议把场景复位一遍再重来。筛选的样本量，直接决定进化的速度。

第二，代价的量级不一样。 有第三方分析提到，GPT-6 Astra 当机器人控制器、在 RoboDojo 上全量跑一次要烧掉约 20 万人民币的 token；而 PhysicalRSI 1.0 方面称自己只用 1% 的成本，成功率还高了 8.9 个百分点。在软件里 harness 省的是延迟和 token；在物理里，跑不起，就没有下一代。

五、三件不该被这轮涨分遮住的事

第一，得分和成功率是两套数字，串着引用会讲出错误的故事。

除了 PhysicalRSI，这一轮还有另一个选手值得记：三星基金会模型团队与上海交大合作的 RoboICL。它和 PhysicalRSI 同一路——冻结 GPT-6 Astra，把专家演示和机器人自己的交互历史当上下文喂进去，不训练任何参数。第三方报道称，在它自己那套重算口径下，30 个双臂任务的 Overall 是 50.64，高于同口径重算的 PhysicalRSI（39.56）。

但那个 50.64 是 progress score——RoboDojo 原生评分器给阶段性进展打的 0–100 分，能区分「完全没有进展」「完成了若干子目标」「完整成功」，不能直接等同于任务成功率。榜单上同时躺着这两套数字。把不同口径的数字串起来讲，很容易讲出「五周涨了五倍」这种听着很爽、实际不对的故事——开头那个 3.57 倍之所以站得住，是因为两次都取了同一列的平均成功率。

RoboICL 团队自己也标了限制：只跑了 seed-0；真机只有 3 个任务、每个 5 次试验；擦毛巾任务上出现了「过度模仿示范动作幅度」的问题。愿意写下来的限制，比分数值钱。

第二，涨分的那类方法和纯 VLA 不是同一个参赛类别。 PhysicalRSI 是 agent 加 VLA 的混合体，GPT-6 Astra 是通用大模型直接当控制器，纯 VLA 的最高名次是第 2。把分数并列去比较「模型能力」，其实是在比团队配置。

第三，真机没跟上，而且落差的方向反了。

上一篇里有个挺反常的数字：榜单首发时仿真榜首是 8.80%，真机榜首是 12.8%——仿真比真机还低。这在直觉上说不通，唯一合理的解释是仿真那 42 道题确实比真机那 18 道更难，难到把不同方法之间的差距抹平了一部分。

现在这个关系反过来了。9 月 5 日 OpenWAM-α 上了真机榜，37.6 的综合得分 / 24.4% 成功率，超过论文期真机榜首 π0.5 的 12.8%。仿真榜首 31.38%，真机榜首 24.4%——仿真第一次跑到了真机前面。（两边题目集不同，42 道对 18 道，所以这里说的是方向不是数值。）如果「涨分涨在模型外面」成立，它应该先在仿真里成立、再渗到真机，因为仿真的改写成本低得多——现在看到的正是这个形状。

六、评测本身也在换代

RoboDojo 跑得这么快，一部分原因是它把评测做成了基础设施：仿真侧在 Isaac Sim 上做异构并行，真机侧是 RoboDojo-RealEval——统一机械臂型号与相机、统一受控照明，场景复位与安全监督封在环境端，外部机构通过云端接口接入、24 小时连续跑。而这一周还同时冒出来三个方向不同的新基准：

• Fiatlux（9 月 27 日提交 arXiv）：宇树 G1 把梯子架到天花板灯下方、爬上去、换掉灯泡、把旧灯泡扔进回收箱——一个回合串起垂直移动、灵巧操作和易碎品处理，拆成 12 个难度加权的子任务。
• Reality Check：第一个公开的真机操作榜，4 个开源模型 × 10 个任务 × 14,400 次真机 rollout，双臂 Franka FR3。
• 一篇让人不太舒服的失效研究（10 月 1 日 arXiv）：把 π0.5 和 GR00T 的视觉输入人为搞坏，分黑屏和冻结帧两种。结论是这两种故障造成的是两种不同的物理风险——冻结帧让关节做出极端运动，黑屏显著增加掉落。

三件事的共同点很清楚：它们测的都是「出问题的时候会怎样」，而不是「顺的时候能有多顺」。 这恰好补上前一篇盘点里那道「天花板在涨、最后一毫米没动」的缺口——最后一毫米不是一个平均值，它是一串具体的失效模式。

七、这一篇要记住的一件事

三个 0% 和 39.33% 之间的差距，我倾向于这样理解：「会理解」和「会到位」是两种能力，而且在当前的技术条件下，它们不在同一个模型里。 PhysicalRSI 之所以能把钥匙插进去，是因为它把这两件事拆给了两个角色，并且允许第二个角色每回合改一次自己的做法。它为此付出的代价明明白白写在泛化那一列——15.62%，榜首里最差的一个，不到 GPT-6 Astra 的一半。这是用泛化换精度的一次明确交易。

于是下一轮的题目也就清楚了：不是「谁的模型更大」，而是谁能把自己那张表上最短的那一列补起来。前三名的最短板完全不重叠——PhysicalRSI 短在泛化，Simate-beta 短在开放语义（8.50%），GPT-6 Astra 短在精度（4.00%）。三个洞形状不同，不会由同一项技术填平；补洞的顺序，基本决定了下一轮谁还有资格站在榜上。

还有一个判断要说得明确一点：动作模型正在工具化。

当 π0.5 可以作为一个「可调用零件」出现在榜首方案里的时候，动作模型的定位就从「产品」变成了「供应链」。对做 VLA 的团队来说这既是坏消息也是好消息——坏消息是权重本身不再构成壁垒；好消息是你的权重可以出现在更多人的方案里。这和首季物理 Token 那篇讨论的计费单位是同一件事的两个面：当动作变成可调用的零件，它就一定会被计价。

最后回到那个 8.80%。RoboDojo 官方说，接下来要把同一套评测管线扩到移动、灵巧、触觉和人形操作四条线。如果这个承诺兑现，「涨分涨在模型外面」会被反复检验，而检验的方式朴素得有点残酷：

看那个 8.80% 什么时候自己动。

---

信息源说明：

RoboDojo 的榜单数据（7 月 6 日首发 30 个模型与 Hy-Embodied-0.5-VLA 的 13.07 / 8.80%；9 月 28 日更新新增 PhysicalRSI 1.0 36.27 / 31.38%、VPP2-Preview 31.40 / 25.62%、InternW0-Δ 30.77 / 23.91%；9 月 23 日 Simate-beta 33.95 / 27.96%；9 月 16 日 GPT-6 Astra 28.97 / 22.48%；8 月 24 日 DM0.5 24.90 / 19.34%；9 月 5 日 OpenWAM-α 真机榜 37.6 / 24.4%；官方 Top 10 的五维成功率；42 道仿真任务 / 18 道真机任务 / 五个能力维度；RoboDojo-RealEval 的统一硬件与受控照明、云端接入与 24 小时连续运行；RoboDojo 后续四条扩展线），引自 RoboDojo 官方项目站与排行榜（robodojo-benchmark.com，一手）与官方论文（arXiv:2607.04434，一手）。

PhysicalRSI 1.0 的方法描述（System 1–2 协同自进化、System 2 改写 harness、π0.5 作为可调用动作工具、Physical API、Embodied Self-Harness、叠衣服任务中「记录路径并沿路径回撤」的版本记录、父代生成子代并由环境选择、共同开发场景成功率 27.5%→60%）、插钥匙 39.33% / 插管 66% 与 π0.5 单独使用的 6.93%（榜单条目为 11.44 / 6.93%）、以及「全量评测成本为 GPT-6 Astra 的 1%」与「GPT-6 Astra 全量一次约 20 万人民币 token」的说法，引自第三方技术媒体与公众号对团队沟通内容的整理（第三方转述 + 厂商自述，未经本文独立复现，成本数字未见企业公开确认）；分任务对照数字为该团队公开的三个 seed 评估截图口径（厂商自述）。

RoboICL 的做法与结果（冻结 GPT-6 Astra、以「观测 → 动作 → 执行回执 → 结果」语法注入演示与交互历史、30 任务 Overall 50.64 对同口径重算的 PhysicalRSI 39.56，以及 seed-0 评估、真机任务数与试验次数、过度模仿示范动作幅度等自陈限制），引自该工作的项目页与第三方报道（第三方转述 + 团队自述）。其中 50.64 与 39.56 为 progress score 口径，不等于任务成功率，本文未将其与榜单平均成功率混用。

RRSI 的相关表述（2026 年 9 月 21 日由 Google Cloud AI Research 联合 UNC-Chapel Hill、斯坦福、圣路易斯华盛顿大学发布，Apache 2.0，论文 arXiv:2609.24972；模型冻结、harness 可被反复改写；Terminal-Bench 2.1 74.2%→80.2%、SWE-bench Verified 82.0%→83.8%、五个分布外基准平均 +4.7 分、六个留出切分无回退；AHE 与 TTHE 两个不受约束基线在留出集上低于出发时的 harness、TTHE 低 1.7 分；四个筛子为泄露检查、噪声地板、成本规则、剪枝；Gemini 3.5 Flash 演化出的 harness 迁移至未参与搜索的 Gemini 3.1 Flash Lite，Terminal-Bench 2.1 从 11.2 到 14.6），引自该论文的第三方技术报道与解读（媒体报道 + 第三方分析，本文未逐条比对论文原文）。

Fiatlux 的设定（宇树 G1、梯子架设与攀爬、灯泡更换与废弃灯泡处置、12 个难度加权子任务、允许部分得分、基于 NVIDIA Isaac Lab，2026 年 9 月 27 日提交），引自 arXiv 论文摘要与预印本信息（一手）。Reality Check 的设定（首个公开真机操作基准与排行榜、4 个开源模型、10 个任务、14,400 次真机 rollout、双臂 Franka FR3、结果带置信区间），引自第三方科技资讯转述（媒体报道，未见官方站点核实）。VLA 视觉输入故障研究（π0.5 与 GR00T 在黑屏与冻结帧两种故障下的不同物理风险，2026 年 10 月 1 日 arXiv），引自 arXiv 新提交论文摘要（一手）。

人类遥操作基线 76.03% / 100%、「仿真占多少比例是假问题」的框架与榜单首发数据，见本站仿真引擎那篇。

本文所有判断性表述（「涨分涨在模型外面」「榜首不是最强的模型，是综合分最高的组合」「动作模型正在工具化」「三个洞形状不同，不会由同一项技术填平」「最后一毫米是一串具体的失效模式」等）均属本专栏观点，非任何机构结论。