Astra 能行动，可靠操作却取决于它观察与控制世界的那套系统。PhysEvo 给出一种物理递归自我改进框架，围绕单一冻结模型运转：任务智能体执行机器人任务；元智能体用轨迹诊断失败、修订工具与技能并测试修正。元智能体还可以改进自己的诊断工具，留下的修订同时支撑后续动作与后续自我改进。这一过程发展出关节级控制、寻求证据的观察，以及可复用操作技能，全程不更新模型权重，也不另训动作策略。
冻结模型上的双智能体循环
材料把可靠操作从「再训动作策略」挪到「改写观察与控制系统」。PhysEvo 用任务智能体下场执行，用元智能体消费轨迹：诊断失败、修订工具与技能、测试修正是否成立。元智能体还能改进自身诊断工具，因此修订会沉淀下来，既影响下一次动作，也影响下一次自我改进。作者强调，关节级控制、寻求证据的观察、可复用操作技能，是在这一循环里长出来的，而不是来自权重更新或单独训练的动作策略。
仿真对照与真机续修订
评测分三块，数字都来自摘要。第一，42 个 RoboDojo 任务，评估保留下来的任务专用部署版本，设定为 held-out-layout：五维平均分 68.14/100，成功率 62.00%；对照为 RoboDawn 的 one-shot Astra 智能体，成功率 47.17%，材料称其为比较中最强的已发表参照。第二，8 个对直接调用 Astra 很困难的操作任务：PhysEvo 成功率 55.00%，直接 Astra 参照 1.25%。第三，把仿真中进化出的 harness 部署到 AgileX PiPER，并继续修订技能：五个真实任务、共 25 次试验，平均分 90.60/100，成功率 84.00%。机制一句话：把行动后果变成对冻结模型如何行动、如何改进的持久且可测试的改动。
我的判断
PhysEvo 的价值，是把「冻结模型能 act」从一次性调用，变成可累积的系统层递归自我改进：失败可诊断，工具可改，技能可留，诊断器自己也能改。适用边界同样清楚——主结果评估的是任务专用部署版本，真机只覆盖五任务 25 次试验，比较对象是 one-shot Astra 与直接 Astra，而不是更广的机器人基线。摘要未报告修订轮次、计算开销、失败类型，也未说明跨布局分数有多少来自共享技能、有多少来自逐任务留下的版本。对开发者，这更像一条克制的架构提示：可靠操作可能卡在观察、控制与诊断闭环，而不是卡在要不要微调 Astra；它还不是一份可直接复现的训练配方。