清華 AIR 與域變換提出具身模型 Zeva：零權重更新實現持續進化，RoboCasa365 成功率從 26% 升至 73%

據報導，清華 AIR 與域變換聯合提出首個實現 In-Context Causal Learning (ICCL) 的具身模型 Zeva，讓機器人在不更新權重的情況下，從互動經驗中持續學習與進化。 Zeva 的推論鏈路包含因果轉換編碼器（Causal Transition Encoder）、雙時標因果記憶（Dual-timescale Causal Memory）與上下文策略注入（In-Context Policy Injection）。模型在每個環境步提取視覺狀態、動作編碼與觀察到的狀態變化，將其編碼並組織成雙時標上下文：Brief Interaction Trace 負責當前嘗試內的連貫執行，Persistent Interaction Memory 則跨嘗試累積可重複使用的失敗與成功經驗。決策時，Zeva 檢索匹配的互動證據構造 Causal Prompt，注入凍結的 Cosmos3 動作生成模型，全程零梯度更新，不加額外雜訊。 在 RoboCasa365-Atomic5 基準測試中，Zeva 平均成功率為 76.8%；其部署後的自我進化曲線顯示，累計成功率從 Evolve 1 的 26% 提升至 Evolve 4 的 73%。在真實化學實驗室 ChemLab-Evo 中，三個原子任務的成功率隨嘗試次數單調增長：拿取試管從 65% 升至 100%、放置燒杯從 25% 升至 70%、倒水從 30% 升至 80%。 此外，Zeva 支援單次人類演示增強（one-shot human demonstration enhancement）。透過一次人類演示初始化記憶後，模型無需微調即可復現關鍵操作；量化結果顯示，人類演示在放置燒杯任務最高帶來 20 個百分點的提升，在倒水任務帶來 15 個百分點的提升。