El Instituto de Investigación de la Industria de la IA (AIR) de la Universidad Tsinghua, junto con Yubianhuan (域变换), publicó un estudio sobre manipulación corporizada llamado Zeva. Su enfoque resulta poco habitual en este campo: los pesos del modelo permanecen congelados durante todo el proceso, sin ninguna actualización de gradiente; el robot mejora por sí solo durante el despliegue únicamente a partir del contexto. En varios benchmarks de IA corporizada, la tasa de éxito acumulada pasó del 26% al 73%.
El enfoque dominante consiste en recopilar datos, etiquetarlos y afinar un modelo VLA, repitiendo el proceso cada vez que aparece un escenario nuevo. Zeva traslada todo ese flujo al lado de la inferencia: el sistema memoriza la relación causal entre las acciones y los cambios de estado, y luego devuelve esa relación como prompt al modelo base congelado. El modelo base utilizado en el artículo es Cosmos3.
Tres componentes
El codificador de transición causal se encarga de extraer, de cada acción, el cambio de estado, emparejando "qué hice" con "cómo cambió el entorno". Este paso es la captación de datos de todo el método: la precisión de la extracción determina directamente si lo que viene después resulta utilizable.
La memoria causal opera en dos escalas temporales. La capa corta, llamada "trayectoria de interacción breve", solo cubre el intento actual; la capa larga, "memoria de interacción persistente", se acumula a lo largo de varios intentos. La primera responde a "qué acabo de intentar en esta ronda"; la segunda, a "dónde fallé la vez anterior". La separación entre ambas es deliberada: la señal de fracaso de la ronda actual debe realimentar de inmediato la siguiente acción, mientras que la experiencia entre rondas debe filtrarse antes de entrar en la memoria a largo plazo; si se mezclan, el sistema queda expuesto a que el ruido de un solo intento lo desvíe.
El tercer paso es la inyección de política en contexto, que introduce las pistas causales en la entrada del modelo congelado. Durante todo el despliegue no se produce ninguna actualización de gradiente.
Dónde caen los números
En el benchmark RoboCasa365-Atomic5, la tasa de éxito promedio fue del 76,8%. Más revelador resulta el conjunto de datos obtenido al trasladar el sistema a un laboratorio de química real (entorno que el equipo llamó ChemLab-Evo): tomar un tubo de ensayo pasó del 65% al 100%, colocar un vaso de precipitados pasó del 25% al 70%, y verter agua pasó del 30% al 80%.
Los puntos de partida de las tres tareas son muy distintos. Tomar el tubo de ensayo ya tenía una base del 65%; llegar al 100% solo consistió en pulir los últimos detalles. Colocar el vaso de precipitados partió del 25% y casi se triplicó, indicio de que el mecanismo de memoria aporta beneficios más notorios en rangos de tasa de éxito bajos, ya que el robot falla más y, con ello, genera más pares causales que atribuir.
Una sola demostración humana todavía puede empujar más los resultados: alrededor de 20 puntos porcentuales adicionales en el vaso de precipitados y unos 15 puntos porcentuales adicionales al verter agua. Que una demostración aislada, cuya información es de por sí limitada, provoque un salto así demuestra que entra en la memoria, no en los parámetros, funcionando de forma plug-and-play.
Por qué un laboratorio de química
La elección de este escenario responde a una consideración práctica. En las operaciones químicas, los límites de los cambios de estado son claros —nivel del líquido, posición del tubo de ensayo, si algo se derramó—, lo que hace que la señal causal sea limpia y los pares extraídos por el codificador tengan poco ruido. En tareas con estados difíciles de cuantificar, como doblar ropa, el mismo mecanismo puede no funcionar igual de bien, y el artículo no evita reconocerlo.
Para la ingeniería, el significado está en el cambio de forma de despliegue. Con el enfoque de ajuste fino, cada nuevo escenario exige una nueva ronda de recopilación de datos, reentrenamiento y validación de regresión; un ciclo completo tarda semanas. Con Zeva, el sistema empieza a funcionar en cuanto se despliega y se vuelve más preciso a medida que se usa, a costa de un contexto más largo y un mayor costo por paso de inferencia. Qué enfoque resulta más rentable depende de la frecuencia con la que cambia el escenario: si un robot trabaja durante mucho tiempo en la misma tarea, el ajuste fino sigue siendo la opción más económica.
El artículo se titula "Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation", y entre sus autores figuran Liu Yunxin y Cao Ting, del AIR de Tsinghua.
Fuentes: artículo original de Zeva, QbitAI, CocoLoop; las tasas de éxito y los nombres de los benchmarks se verificaron según lo publicado en el artículo, y los aumentos se calcularon restando directamente las cifras del artículo.