Recursia：具身RSI内外双层循环实现零样本长时任务

2026年10月14日，机器之心报道，北京交通大学、北京大学、纽约大学、南加州大学、北京灵行智能科技有限公司等机构团队提出 Recursia，将机器人组合泛化问题放入具身递归自我改进（RSI）框架。系统分为负责执行的内层 Agent 与汇总经验、改写共享栈的外层 Agent。报道称，该方法在零样本长序列任务上超过英伟达 ASPIRE 最多 15.1 个点。报道明确，此处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，但执行中仍可使用观察反馈。报道同时说明，其他方法的数值沿用 ASPIRE 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；这组小规模实机结果为共享可执行知识的价值提供初步支持，仍留有扩大重复次数和任务范围的空间。

AI 根据报道生成 · 54 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。