機械人代理能否靠一次失敗改善下一次操作，而不只是模型本身更強？PhysRSI-Eval 是一套物理遞歸自我改進（physical recursive self-improvement，Physical RSI）評測框架，透過 RoboDojo 模擬環境量度這個過程，適合研究 LLM-as-policy 與機械人學習的團隊。
框架以 K0 基準及 K1 至 K17 最佳化回合運作：K0 在沒有既有工作區下完成操作，之後每輪保留技能、工具、策略程式碼與記憶；代理收到評分和失敗原因後，再修訂工作區。整個評估涵蓋 18 項操作任務，並以 First-Attempt Performance、Efficiency、Success、Budget、Improvement 五個維度記錄成果。
儲存庫提供可在自身機器運行的參考評估迴路，但只涵蓋論文泛化研究中的四項任務。RoboDojo、Isaac Sim、資產及 Codex CLI 均須從各自來源按固定版本安裝，因此成本與環境要求不會低；代理亦沒有系統提示、Shell 或網頁搜尋，只能使用指定機械人工具。
它與一般單次成功率測試的差別，在於保留整段改進軌跡，區分首次表現、後續增益及預算消耗。雙臂 End-Effector（EEF）每次最多移動 5 cm 或 0.35 rad，執行 1 至 5 個控制步驟，每輪模型時間上限為 4,200 秒，並以達到原生成功或回合上限作結。
- 以固定模型測量工作區改進，避免把權限限升誤當成自我改進。
- 同時觀察首次分數、成功時間、效率及改善比例。
- 以持久技能、工具、策略和記憶支援跨回合修訂。
- 以固定互動預算限制比較條件。
研究結果顯示，不同系統在空間、感知及編碼能力上的強弱並不一致，亦有模型未能解決部分任務。這個基準適合比較代理設計與泛化能力，但公開程式碼只覆蓋四項任務，完整結論仍須結合論文及其餘評估設定解讀。