PhysBrain 1.5 以 72.5 分登顶开源具身基准，MetaRSI 让 AI 改进「改进本身」，ESRL 打开 MoE 路由空间

今天这四条分处四个层面——具身基座、自我改进框架、MoE 后训练、组合泛化评测，动作却是同一个：把原本被当成背景、默认不可调的东西，改成系统内部能学能改的变量。深度机智把三个拼接的子模型收进一个自回归主干，MetaRSI 把固定不变的改进程序变成被优化的对象，ESRL 把 MoE 的路由从只读结构变成采样维度，最后一篇论文则提醒：被冻结的实验条件同样会制造结论。

一、PhysBrain 1.5：28 项基准 72.5 分，开源具身基座贴到了 GPT-6 Astra 身侧

事件概述：9 月 9 日，北京深度机智（DeepCybo）发布物理基座模型 PhysBrain 1.5，量子位 9 月 14 日刊出解读。8B 版本在 28 项具身与空间智能公开基准上综合 72.5 分，在参评开源模型中排第一：14 项开源第一、10 项开源第二。官方评测表里同场列出的闭源模型为 Gemini 3.6 Flash 73.0、GPT-6 Astra 73.3、Claude Opus 5 67.9。2B 与 8B 权重、技术报告、评测工具包一并开放，上线 Hugging Face 三天下载量超过 3000 次。

技术解析：改动不在参数规模，在能力怎么组织。过去具身系统是「理解模型 + 动作模型 + 预测模型」拼接，PhysBrain 1.5 把三件事收进同一个自回归主干——骨干是 Qwen3-VL，扩展动作与视觉状态词表之后，语言回答、结构化空间输出、末端执行器轨迹、一步之后的未来世界状态全部离散成 token，在同一个 next-token prediction 目标下训练，不设任务专用头。动作侧用 ActionPiece token 编码末端轨迹，动作码本与控制配置、臂型解耦，一个 checkpoint 驱动不同机器人；预测侧给定当前观测与任务指令，输出空间对齐的 RGB、深度图与机器人掩码。

数据起点是人类交互视频。项目页写明预训练的具身监督「完全来自人类交互视频」，第一人称、自我—外部同步、全景录制按任务切片组织成 episode；SFT 阶段再混入人类示范、真机轨迹与仿真经验。人类动作到机器人动作的转换由 Human-as-Humanoid 管线承担，据量子位报道，这条链路此前在自研 60 自由度拟人体机器人 Prime U 上做过真机验证，原始示范吞吐达传统遥操作的 4.8 至 7.2 倍，部分任务实现从人类数据到真机执行的零样本迁移。

分项上，开源模型已在若干项上反超闭源：MindCube 86.2 对 GPT-6 Astra 78.8、Gemini 3.6 Flash 77.1；VLABench 76.4 对 66.3 与 64.7；Q-Spatial-Bench 81.2 对 Astra 68.3。综合分差不到 1 分，分项的领先位置却已经和闭源错开。

行业影响：比 72.5 更值得留意的是这张表本身——28 项基准、13 个模型、每项用统一指标独立重跑，具身模型此前各家自报口径、彼此不可比的状况，被一次第三方复跑拉齐了。第二个信号是参数与能力的错位：不参与排名的 2B 版本拿 66.6 分，高于表内 30A3B 的 Hy-Embodied-VLM-1.0（66.0）与 9B 的 RynnBrain 1.1（63.1），这条数据路线的效率还没到顶。距离也还在：量子位引述的 Robocurve 机械臂实验里，GPT-6 Astra 在「积木放入碗」20 次完成 19 次，换到毫米级拼图对位插入，成功率从 95% 掉到 10%。离线基准与精细接触操作之间仍隔着一段。

相关链接：

• 项目页与技术报告：https://deepcybo-physai.github.io/PhysBrain-1.5
• Hugging Face 模型集合：https://huggingface.co/collections/DeepCybo/physbrain-15
• 评测工具包：https://github.com/DeepCybo-PhysAI/PhysBrainEvalKit
• 技术报告仓库：https://github.com/DeepCybo-PhysAI/PhysBrain-1.5
• 量子位解读：https://www.qbitai.com/2026/09/488725.html

二、MetaRSI-v1：改进「改进本身」，无外部教师下小模型 +10.9、六款前沿模型 +7.3

事件概述：CosmosMind 联合斯坦福、伯克利、MIT、清华、北大等十余家高校发布 MetaRSI-v1，论文署名 32 位作者。arXiv 版本 9 月 6 日提交、9 月 9 日更新至 v2，47 页、12 图、11 表；量子位 9 月 14 日刊出解读。定位是首个把 Model-RSI、Data-RSI、Harness-RSI 收进同一套范式的元递归架构，改进的对象不是模型，是自我改进的过程本身。

技术解析：骨架是论文首次提出的 Loop Kernel——消费反馈得到学习信号，在 Data、Harness、Model 上提出改动，交由验证器裁决，结果回流成下一轮信号。三个空间各由一个算子承担：Data-RSI 从自身运行轨迹提取学习信号、合成数据，并标定能力的正边界与负边界；Harness-RSI 在 System Prompt、Skill、MCP、Tools、Memory 五个可插拔槽位上做加法，也做减法；Model-RSI 把反复验证有效的行为训练进参数。

在此之上是两层调度。横轴决定算子的应用顺序，RSI² Agent 在每个决策点按信号反馈选下一个算子；纵轴优化算子内部策略，由 RSI² Sub-Agent 改写算子自身的 RSI 规则。再往上一层，MetaRSI² Agent 学习如何做这两件事。四个 Agent 均可被人类专家局部替换。

实验全部在无外部教师的设定下完成，目标模型同时扮演提议者、合成者与裁判。Qwen3.5-35B-A3B（35B 总参、3B 激活）上，三项算子单独运行相对冻结初始系统的提升分别是 Data-RSI +2.8、Harness-RSI +6.6、Model-RSI +3.9 个平均点，Harness-RSI 是最强的单算子；调度式组合在它之上再加 4.3 点，四项基准平均 +10.9。手工固定的 D→M→H 流水线与静态路由两者持平在 +7.3，完整系统高出 3.6 点——三者组合同样的算子、用同样的证据，差别只在谁来决定顺序。六款前沿模型在 Terminal-Bench 2.1 上同样成立，增益从 +5.6（GLM-5.2）到 +9.2（Gemini 3.1 Pro），均值 +7.3；基线本身已经不低，GPT-5.6 Sol 是 83.4、Claude Opus 5 是 84.5。

行业影响：论文第 6.7 节列了五条定律，其中三条直接给近期的 RSI 叙事划了边界。第一条定律叫「验证决定自我改进的前沿」——一个领域能不能形成自改进循环，取决于该领域任务能否被检验、有没有合适的 verifier。「可信度由不可写面度量」是第四条：循环内部，能力真变强与放宽成功标准会得到完全相同的分数，且这种偏差从内部无法察觉、无法靠统计纠正，论文给的处方是「改进工作信号，绝不动锚点，锚点是结论的凭据来源」。第五条更硬：循环不创造能力，一切增益都是引入的，自改进只能重新组织、放大并固化系统已经具备的潜力。

这三条正好接住了前两期的两条新闻：智谱在港交所公告里给「完全自训练」标了价，Anthropic 量化了前沿模型在情报定位与终端任务上已能做到什么；MetaRSI 补的是这两者之间缺的那层度量学——增益怎么算、什么条件下算数、什么时候是自欺。论文对 22 个领域的审计还留了一个冷数字：各领域在「实践」维度上的得分比「回忆」维度低 35 至 83 分，可测的部分只是能力上界，22 个领域里有 8 个从未出现过自改进循环。

相关链接：

• 论文：https://arxiv.org/abs/2609.06396
• 量子位解读：https://www.qbitai.com/2026/09/488832.html

三、ESRL：把 MoE 的专家路由从固定组件变成 RL 的探索维度

事件概述：arXiv 9 月 11 日提交（2609.13058），9 月 14 日进入 cs.CL 当日批次。ESRL（Expert-Space Exploration Reinforcement Learning）是一个架构感知的 MoE 强化学习框架，显式地在专家路由空间上做探索。

技术解析：MoE 上的 RL 后训练过去集中在优化稳定性与训练效率，路由被当成固定组件。作者的起点是一个观察：扰动专家路由能有效改变模型输出、提高 rollout 多样性，效果接近提高解码温度；但直接扰动会激活不合适的专家，rollout 质量大幅下降。

ESRL 的处理分三步。保留高置信度专家当锚点，把随机路由限制在一个合理候选池内，保住可靠的计算路径；扰动强度按 router 熵自适应，避免过度扰动；为消除扰动引入的路由错配，记录 rollout 时实际走过的专家路径，在策略优化阶段回放。

结果是在 top-K、top-1、共享专家三种 MoE 骨干上，以及数学、科学、代码三类任务上都取得最优，且不增加采样量与算力开销。Qwen3-30B-A3B 上相对 GRPO，Pass@1 平均提高 3.2 个百分点、Pass@8 提高 4.5 个百分点。

行业影响：rollout 多样性的来源长期只有温度与提示扰动两条，ESRL 给出第三条，且这条只有 MoE 架构有——当前主流开源大模型多为 MoE，可迁移面相当宽。「不额外采样、不额外算力」这个说法如果被复现，多样性就从采样预算问题变成了架构利用问题。它还有个副作用值得记录：路由被扰动之后，策略优化要回放原路径，推理时的计算路径由此变成训练时可读写的状态，训练与推理的边界又松了一层。

相关链接：

• 论文：https://arxiv.org/abs/2609.13058
• arXiv cs.CL 9 月 14 日批次：https://arxiv.org/list/cs.CL/recent

四、Type Diversity：结构泛化难，可能是数据集的属性，不是架构的缺陷

事件概述：arXiv 9 月 11 日提交（2609.13144），9 月 14 日进入 cs.CL 当日批次。论文重新检查了组合泛化领域一个被广泛接受的判断——结构泛化对 Transformer 比词汇泛化更难。

技术解析：作者提出的替代解释落在一个此前没被单独控制的变量上：类型多样性，即某一类型有多少种不同的构造方式，而不是具体填进结构的词组合。已有的 COGS 与 SLOG 数据集里，词汇类型多样性高、结构类型多样性低，这个不对称本身可能就是差异的来源。

为验证这一点，团队用 Grammatical Framework 生成了 COGS 与 SLOG 的语言学多样化变体，构造出 5×6×4 = 120 个训练集，每个训练集跑 14 个随机种子，报告均值与标准差，测试集固定并分为三部分。结论是：类型多样性与组合泛化的相关程度，在词汇与结构两类测试用例上一致，支持假设；这个结果还与既有工作中「复合发散（compound divergence）解释组合泛化难度」的命题相矛盾。

行业影响：这条不提高任何模型的分数，它是本期前三条的对照组。前三条都在打开某个被冻结的自由度，这条提醒的是反面：一个领域里被默认的实验条件，同样可能是结论的来源——在这里是数据集的类型多样性。它还给出了规模上的参照：120 个训练集 × 14 个种子。在组合泛化这类对数据集构造极度敏感的问题上，单数据集、少种子跑出的差异，很难区分到底是模型能力还是抽样噪声。

相关链接：

• 论文：https://arxiv.org/abs/2609.13144
• arXiv cs.CL 9 月 14 日批次：https://arxiv.org/list/cs.CL/recent

编者小结

四条并排看，动作方向是一致的：深度机智把三个各自训练的子模型收进一个主干，MetaRSI 把固定不变的改进程序变成被优化的对象，ESRL 把只读的路由表变成采样维度。前三条都在打开系统内部原本冻结的自由度，而不是往系统外面加东西。第四条从反面给出边界：冻结的实验条件本身也会制造结论，动手之前得先确认被冻住的是什么。

还有一个分歧点值得往后看，那就是增益的来源。MetaRSI 的定律五断言循环不创造能力、增益都是引入的；ESRL 的 +3.2 与 +4.5 个百分点来自一条此前没被用过的采样维度，看起来是「引入」，实际上只是把模型本来就会走的路径显式采样出来。这两件事是不是同一件事，决定了 RSI 讨论里「自我改进」这个词还能用多久。