Recursia 提出具身递归自我改进范式，零样本长时任务成功率超 ASPIRE 10 个点

来自北京交通大学、北京大学等机构的团队提出了 Recursia 框架，通过内外双层循环的递归自我改进，解决机器人长时任务中的零样本组合泛化问题。在 LIBERO-Pro Long 基准的零样本迁移设置下，Recursia 在任务扰动下的成功率为 53.4%，比英伟达 ASPIRE 高出 15.1 个百分点，而多数 VLA 模型成功率仅为 1% 至 8%。