生数公开的一项新工作，围绕“RSI”展开探索，目标是让机器人在新世界模型的支持下走上自我进化之路。该内容被归入论文类别。
RSI 通常指递归自我改进（Recursive Self-Improvement），即系统借助自身能力去改进自身。放到机器人场景中，这意味着模型不只负责执行任务，还可能参与生成训练数据、评估自身表现并推动下一轮迭代，从而形成持续上升的闭环。
这一方向之所以受到关注，在于机器人学习长期依赖人工采集的真机数据、人工设定的任务与奖励，数据规模与场景覆盖因此成为能力提升的主要瓶颈。世界模型提供了一条替代路径：先在可交互的环境中预测和推演，再把结果迁移到真实本体，降低对真实采样的依赖。
若世界模型能够稳定承担“生成—评估—迭代”的角色，机器人有望从被动接受训练转向主动积累经验，这也是 RSI 概念从理论讨论走向具身智能实践的一次尝试。
需要指出的是，RSI 在真实机器人上的落地仍面临多重考验：自我生成的数据可能带来误差累积，评估标准与安全边界尚缺共识，迭代过程的可解释性和可控性也有待验证。该工作的具体方法、实验设置与效果，应以论文原文为准。
对 AI 从业者而言，这条线索值得持续跟踪：世界模型与自进化训练闭环的结合，可能改变具身智能的数据与训练范式。