Newest papers

Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy

Zekai Li, Jiayi Yu, Jinlu Zhang, Luyang Niu, Zekun Qi, Jun Zheng, Xuchuan Chen, Dairu Liu, Yintianrun Zhang, He Wang, Li Yi · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26848 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Trong bài báo này, chúng tôi có hệ thống điều tra các cơ chế, quy mô hành vi và tổng quát của cải thiện bản thân tái diễn thể chất. Chúng tôi giới thiệu PhysRSI-eval để định lượng RSI vật lý thông qua một thước đo năm trục: Hiệu quả, hiệu quả, thành công, ngân sách và cải tiến lần đầu tiên từ thất bại. VLM khác nhau được đánh giá trên 18 nhiệm vụ thao túng theo ngân sách tương tác cố định. Phân tích kết quả thử nghiệm thúc đẩy giả thuyết Vật lý Barrel: khả năng khác nhau có thể hạn chế các phần khác nhau của cải tiến. Các thước đo năm trục cũng phân biệt các hệ thống với mức trung bình công cộng gần gũi và cho thấy rằng điểm số cao không cần đến với lợi nhuận sớm hoặc hiệu quả. Chúng tôi nghiên cứu quy mô quan sát từ hai quan điểm: dự đoán hiệu suất tương đối của các

Machine translation (Meta M2M100); the English original follows.

Abstract

In this paper, we systematically investigate the mechanisms, scaling behavior, and generalization of physical Recursive self-improvement. We introduce PhysRSI-eval to quantify physical RSI through a five-axis metric: First-Attempt Performance, Efficiency, Success, Budget and Improvement from failure. Different VLMs are evaluated on 18 manipulation tasks under a fixed interaction budget. The analysis of experimental results motivates the Physical Barrel Hypothesis: different capabilities may constrain different parts of improvement. The five-axis metrics also distinguish systems with close public benchmark averages and show that high scores need not come with early or efficient gains. We study observational scaling from two perspectives: predicting the relative performance of VLM agents from their public capabilities, and forecasting later progress from early physical feedback. Together, these analyses ask how quickly and how far an agent can improve. Moreover, we conduct workspace interventions and then analyze what improvement leaves behind. Removing history reduces late-round success, frozen workspaces remain useful on unseen layouts, and three cross-task cases achieve success earlier. The results suggest that scene-specific adaptation and reusable experience can coexist.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Benchmark (surveying), Observational study, Workspace, Computer science, Scaling, Generalization

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange