📖 AI 总结

本文介绍了清华AIR与域变换联合提出的具身智能模型Zeva，首次实现了In-Context Causal Learning（ICCL），使模型在参数完全冻结的情况下，通过上下文因果学习实现部署中的自我进化。传统具身模型适应新环境依赖梯度更新，成本高且易破坏已有能力；Zeva则通过Causal Transition Encoder、双时标因果记忆和In-Context Policy Injection三大组件，将动作与状态变化间的因果关系编码为上下文，供冻结的生成模型直接消费，实现零梯度更新下的持续学习。实验数据显示，在RoboCasa365基准上，累计成功率从26%提升至73%；真实化学实验室任务中，成功率单调增长，且一次人类演示即可显著增强模型表现。Zeva的意义在于将具身智能的扩展维度从参数空间延伸至上下文空间，为具身智能的“GPT时刻”提供了新路径。