清华 AIR 提出具身上下文因果学习模型 Zeva
Zeva 让机器人不更新参数，仅靠交互经验就能持续进化，为具身智能开辟了一条新的 scaling 路径。
Zeva 是首个实现上下文内因果学习（ICCL）的具身世界动作模型，能在不更新权重的情况下从交互经验中持续学习。在典型具身任务上，累计成功率从 26% 提升到 73%；在真实化学实验室，机械臂越用越稳。
正文摘录
自进化 WAM 来了！清华 AIR 联手域变换提出具身 In-Context Causal Learning 在多个典型具身基准任务上，将冻结模型的累计成功率从 26% 提升到 73% ；在真实化学实验室，机械臂在多次尝试中越用越稳。 Zeva 是 首个 实现 In-Context Causal Learning（ICCL）的具身 WAM（World Action Model，世界动作模型）。 它让模型可以在不更新权重的情况下，从自己的交互经验中持续学习。当这种能力逐步成熟，具身智能 将迎来属于自己的 "GPT 时刻"。 项目名称：Zeva 发布机构：清华 AIR、域变换 论文题目：Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation 项目主页：https://air-embodied-brain.github.io/Zeva/ 传统思路里，想让机器人适应新环境，通常要重新采集数据、微调模型或做 test-time training（测试时训练）。 另一类 in-context learning 方法可以让模型根据演示或任务描述调整行为，但主要解决"任务理解"，并没有让模型从自己的动作后果中学习物理因果。 过去我们谈跨域，更多是 sim-to-real、跨本体迁移、跨任务泛化。这些方法大多依赖数据对齐或表征对齐，本质上是在不同域之间搬运"任务经验"。 同一个模型，在仿真里学到的物理因果，可以被带到真实机械臂；在一次尝试里积累的失败经验，可以指导另一个相似物理过程的尝试；人类的一次演示，也可以直接变成机器人的因果上下文。 这种跨域迁移通过上下文完成。模型在上下文中推断环境因果结构，并把因果知识用于下一次动作生成。