Das Institute for AI Industry Research (AIR) der Tsinghua-Universität hat gemeinsam mit Yubianhuan (域变换) eine neue Studie zur verkörperten Manipulation veröffentlicht. Die Methode heißt Zeva, und ihr Vorgehen ist in diesem Forschungszweig derzeit ungewöhnlich: Die Modellgewichte bleiben während des gesamten Einsatzes eingefroren, es gibt keinerlei Gradienten-Updates – der Roboter verbessert sich während des Betriebs allein über den Kontext. Über mehrere Benchmarks für verkörperte KI stieg die kumulierte Erfolgsquote von 26 % auf 73 %.
Der übliche Weg besteht darin, Daten zu sammeln, zu annotieren und ein VLA-Modell feinabzustimmen – und bei jeder neuen Umgebung von vorn zu beginnen. Zeva verlagert diesen gesamten Prozess auf die Inferenzseite: Das System merkt sich die kausale Beziehung zwischen Aktionen und Zustandsänderungen und speist diese Beziehung als Prompt in das eingefrorene Basismodell zurück. Als Basismodell verwendet die Studie Cosmos3.
Drei Bausteine
Der Causal Transition Encoder extrahiert aus jeder Aktion die Zustandsänderung und verknüpft "was ich getan habe" mit "wie sich die Umgebung verändert hat". Dieser Schritt ist die Datenerfassung der gesamten Methode – wie präzise hier extrahiert wird, entscheidet direkt darüber, wie brauchbar alles Nachfolgende ist.
Das kausale Gedächtnis arbeitet auf zwei Zeitskalen. Die kurze Ebene heißt "Brief Interaction Trajectory" und betrifft nur den aktuellen Versuch; die lange Ebene ist das "Persistent Interaction Memory", das sich über mehrere Versuche hinweg aufbaut. Erstere beantwortet "Was habe ich gerade in diesem Durchgang probiert", Letztere "Wo bin ich beim letzten Mal gescheitert". Die Trennung der beiden Ebenen ist bewusst gewählt: Das Fehlersignal des aktuellen Durchgangs muss sofort in die nächste Aktion zurückfließen, während aufgabenübergreifende Erfahrung erst gefiltert werden muss, bevor sie ins Langzeitgedächtnis übergeht – vermischt man beides, lässt sich das System zu leicht durch einmaliges Rauschen in die Irre führen.
Der dritte Schritt ist die In-Context Policy Injection: Die kausalen Hinweise werden in den Input des eingefrorenen Modells eingeschleust. Während des gesamten Einsatzes finden null Gradienten-Updates statt.
Wo die Zahlen landen
Auf dem Benchmark RoboCasa365-Atomic5 liegt die durchschnittliche Erfolgsquote bei 76,8 %. Aussagekräftiger sind die Werte aus der in eine reale Chemie-Laborumgebung übertragenen Version (vom Team ChemLab-Evo genannt): Reagenzglas greifen stieg von 65 % auf 100 %, Becherglas aufstellen von 25 % auf 70 %, Wasser eingießen von 30 % auf 80 %.
Die drei Aufgaben starten von sehr unterschiedlichen Ausgangspunkten. Beim Reagenzglas-Greifen lag die Basis schon bei 65 %, die Steigerung auf 100 % glättet nur noch die letzten Ecken. Das Becherglas-Aufstellen startete dagegen bei 25 % und hat sich fast verdreifacht – ein Hinweis darauf, dass der Gedächtnismechanismus im Bereich niedriger Ausgangs-Erfolgsquoten den größeren Nutzen bringt: Der Roboter scheitert dort öfter, wodurch mehr kausale Paare zur Zuordnung anfallen.
Eine einzige menschliche Demonstration schiebt die Werte noch weiter nach oben: beim Becherglas rund 20 Prozentpunkte, beim Wassereingießen rund 15 Prozentpunkte. Dass eine einzelne Demonstration – deren Informationsgehalt an sich begrenzt ist – eine solche Wirkung entfaltet, zeigt: Sie fließt ins Gedächtnis ein, nicht in die Parameter, und lässt sich dadurch direkt nachrüsten ("Plug-and-Play").
Warum ausgerechnet ein Chemielabor
Die Wahl dieses Szenarios hat praktische Gründe. Bei chemischen Handgriffen sind die Zustandsänderungen klar abgegrenzt – Flüssigkeitsstand, Position des Reagenzglases, ob etwas verschüttet wurde –, das kausale Signal ist sauber, und die vom Encoder extrahierten Paare enthalten wenig Rauschen. Bei Aufgaben mit schwer quantifizierbarem Zustand, etwa Wäsche falten, muss derselbe Mechanismus nicht zwangsläufig genauso gut funktionieren – die Studie verschweigt das nicht.
Für die Praxis bedeutet das eine veränderte Einsatzform. Beim Feintuning-Weg braucht jede neue Einsatzumgebung eine neue Runde aus Datensammlung, erneutem Training und Regressionstests – ein Durchlauf dauert Wochen. Zeva dagegen funktioniert direkt nach der Bereitstellung und wird mit der Nutzung genauer, um den Preis eines längeren Kontexts und höherer Kosten pro Inferenzschritt. Welcher Weg sich mehr lohnt, hängt davon ab, wie oft die Einsatzumgebung wechselt – arbeitet ein Roboter dauerhaft an derselben Aufgabe, bleibt Feintuning weiterhin die sparsamere Wahl.
Die Studie trägt den Titel "Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation", unter den Autoren sind Liu Yunxin und Cao Ting vom Tsinghua AIR.
Quellen: Originalpaper zu Zeva, QbitAI, CocoLoop; die einzelnen Erfolgsquoten und Benchmark-Bezeichnungen wurden anhand der im Paper genannten Werte geprüft, die Steigerungen ergeben sich aus der direkten Differenz der Paper-Zahlen.