自进化WAM来了！清华AIR联手域变换提出具身In-Context Causal Learning

清华AIR与域变换联合推出具身智能模型Zeva，首次实现具身In-Context Causal Learning（ICCL）。该模型在不更新权重的前提下，通过上下文从自身交互经验中持续学习，实现部署中自进化。在RoboCasa365基准任务上，冻结模型的累计成功率从26%提升至73%；在真实化学实验室ChemLab-Evo中，三个原子任务成功率随尝试次数单调增长。Zeva通过Causal Transition Encoder提取动作与状态变化的因果信号，利用双时标因果记忆（短期交互轨迹与长期交互记忆）跨尝试累积经验，并借助In-Context Policy Injection将因果上下文注入冻结的生成模型，全程零梯度更新。此外，一次人类演示即可初始化经验记忆，在Place Beaker任务上带来最高20个百分点的成功率提升。该研究将具身模型扩展从参数空间延伸至上下文空间，为具身智能的持续学习提供新范式。