Zeva具身模型：清华AIR上下文因果学习突破

清华AIR与域变换联合发布Zeva，一个参数完全冻结、却能在部署中持续进化的具身模型。在RoboCasa365基准上，它的累计成功率从26%提升到73%；在真实化学实验室，机械臂越用越稳；一次人类演示，就能让模型学会新操作。Zeva称得上是首个实现上下文内因果学习（In-Context Causal Learning，ICCL）的具身WAM。

具身模型的自进化，为什么难？

具身智能的真正瓶颈，是模型到了现场能不能越做越好。传统思路下，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。但这些方法依赖梯度更新，速度慢、成本高，还可能破坏已有能力。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”，无法让模型从自己的动作后果中学习物理因果。

从“任务泛化”到“因果迁移”

以往的跨域迁移，如sim-to-real、跨本体迁移、跨任务泛化，本质上是在不同域之间搬运“任务经验”。Zeva更进一步：它迁移的是“动作与状态变化之间的因果关系”。

同一个模型，在仿真中学到的物理因果可以带到真实机械臂；一次尝试中积累的失败经验，可以指导另一次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。这就是Zeva定义的In-Context Causal Learning。

Zeva：把因果学习装进上下文

Zeva总体框架

在每个环境步，Zeva提取三类信号：视觉状态、动作编码、观察到的状态变化。它们被递归编码为Causal Interaction State，并进一步投影为Phase Token和Causal Interaction Signal。这些因果信号被组织成双时标上下文：Brief Interaction Trace负责当前尝试内的连贯执行，Persistent Interaction Memory跨尝试累积可复用经验。

决策时，Zeva检索与当前任务阶段匹配的交互证据，构造Causal Prompt，注入冻结的Cosmos3动作生成模型。整个过程零梯度更新。

三个关键设计

Causal Transition Encoder让模型显式学习动作引起的状态变化。训练目标包括因果效果预测、任务聚类和阶段进度，让Causal Interaction Signal真正携带物理因果信息。

双时标因果记忆让模型跨尝试自我进化。Brief Interaction Trace保证当前执行的连贯性，Persistent Interaction Memory把失败、修正和成功沉淀为后续可检索的上下文。同一个模型在多次尝试中越用越强。

In-Context Policy Injection通过Causal Prompt把任务、阶段和交互证据注入生成模型。它不参与flow loss，只作为条件影响后续动作。这是“不调权重也能进化”的关键设计。

和传统Test-Time Training相比，差异很直接：

Zeva与传统Test-Time Training对比

数据：自进化与One-Shot人类演示增强

在RoboCasa365-Atomic5上，Zeva平均成功率76.8%。更重要的是部署后的自进化曲线：累计成功率从Evolve 1的26%提升到Evolve 4的73%。

在真实化学实验室ChemLab-Evo上，三个原子任务同样单调增长：Pick Up Test Tube从65%到100%，Place Beaker从25%到70%，Pour Water从30%到80%。

Zeva还支持one-shot human demonstration enhancement：一次人类演示初始化Persistent Interaction Memory后，模型无需微调即可复现关键操作。量化结果显示，人类warm-up在Place Beaker上最高带来20个百分点提升，在Pour Water上带来15个百分点提升。

RoboCasa365自进化曲线

ChemLab-Evo任务成功率

One-shot人类演示warm-up效果

为什么Zeva是一个新范式？

Zeva的深层意义，是把具身模型的scaling从“参数空间”延伸到“上下文空间”。传统scaling通过扩大数据、参数、算力来提升能力；Zeva展示的另一种scaling，是在部署过程中不断增加可供模型消费的因果上下文。

每一次尝试都会产生新的交互证据，这些证据被压缩为Causal Interaction Signal并进入双时标记忆。模型每多一次交互，就多一次对当前物理环境的“隐式系统辨识”。物体质量、关节约束、接触特性、摩擦条件，都可以通过交互信号被隐式估计。冻结策略因此可以在不改变参数的情况下，不断逼近当前物理系统的真实动态。

Causal Interaction Signal是一个效应空间中的紧凑表示，直接编码物理效应。跨任务effect retrieval实验显示，不同物体、视角和任务指令下的等价物理效应，会在该空间中彼此靠近。这意味着模型学到的不只是具体任务的做法，更是“这类物理效应如何产生”，天然支持跨域迁移。

如果把VLA看作“任务理解与动作生成”的基础设施，世界模型看作“经验想象”的基础设施，那么Zeva定义的ICCL就是“现场因果学习”的基础设施。它把部署从“能力消耗”变成“能力积累”，把每一次失败从噪声变成可检索的因果证据。

如果ICCL成立，具身智能的scaling将多出一条独立于参数规模的曲线：交互次数越多，因果上下文越丰富，模型对当前物理域的辨识越准，任务成功率越高。