清华大学智能产业研究院（AIR）与域变换联合放出一项具身操作研究，方法叫 Zeva。它的做法在当下这条赛道里不太常见：模型权重全程冻结，不做任何梯度更新，机器人在部署过程中靠上下文自己往上爬。多个具身基准上的累计成功率从 26% 升到 73%。
主流路线是采数据、标数据、微调 VLA 模型，遇到新场景再来一轮。Zeva 把这一整套挪到了推理侧——它记的是动作和状态变化之间的因果关系，然后把这层关系当成提示喂回给冻结的基座模型。论文里用的底座是 Cosmos3。
三个部件
因果转移编码器负责从每次动作里抽出状态变化，把”我做了什么”和”环境变成了什么样”配成对。这一步是整套方法的取数环节，抽得准不准直接决定后面能不能用。
因果记忆分两个时间尺度。短的一层叫简短交互轨迹，只管当前这次尝试；长的一层是持久交互记忆，跨尝试累积。前者解决”这一把我刚试过什么”，后者解决”上一把我在哪儿栽过”。两层分开是有讲究的：当次的失败信号需要立刻反馈到下一个动作，跨次的经验则要经过筛选才进长期记忆，混在一起容易被单次噪声带偏。
第三步是上下文策略注入，把因果提示塞进冻结模型的输入里。整个部署过程零梯度更新。
数字落在哪
在 RoboCasa365-Atomic5 基准上，平均成功率 76.8%。更能说明问题的是搬进真实化学实验室之后的那组数据（团队把这套环境叫 ChemLab-Evo）：取试管从 65% 到 100%，放烧杯从 25% 到 70%，倒水从 30% 到 80%。
三项任务的起点相差很大。取试管本来就有 65% 的底子，抬到满分是把剩下的边角磨平；放烧杯从 25% 起步，翻了将近两倍，说明记忆机制在低成功率区间的收益更明显——机器人失败得多，可供归因的因果对也就多。
一次人类演示还能再往上推一截：放烧杯加约 20 个百分点，倒水加约 15 个百分点。一次演示的信息量本来有限，能撬动这个幅度，说明它进的是记忆，不动参数，即插即用。
为什么是化学实验室
选这个场景有实际考量。化学操作的状态变化边界清楚——液面高度、试管位置、有没有洒——因果信号干净，编码器抽出来的配对噪声小。换成折衣服这类状态难以量化的任务，同一套机制未必吃得开，论文没有回避这一点。
对工程侧的意义在于部署形态变了。按微调路线，每进一个新场地就要拉数据、重训、回归验证，一条流水线跑下来以周计。Zeva 这套东西部署完就开始工作，越用越准，代价是推理时上下文更长、单步开销更高。哪种更划算，取决于场景切换的频率——如果一台机器人常年干同一件事，微调仍然是更省的选择。
论文题为《Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation》，参与者包括清华 AIR 的刘云新和曹霆。
参考来源：Zeva 论文原文、量子位、CocoLoop；各项成功率与基准名称按论文披露口径核对，提升幅度为按论文数值直接相减。