O Instituto de Pesquisa da Indústria de IA (AIR) da Universidade Tsinghua, em conjunto com a Yubianhuan (域变换), divulgou um estudo sobre manipulação incorporada batizado de Zeva. A abordagem é incomum nessa área hoje: os pesos do modelo permanecem congelados durante todo o processo, sem nenhuma atualização de gradiente — o robô "sobe" de desempenho sozinho, durante a implantação, apenas usando o contexto. Em vários benchmarks de IA incorporada, a taxa de sucesso cumulativa subiu de 26% para 73%.
O caminho dominante é coletar dados, rotulá-los e fazer fine-tuning de um modelo VLA, repetindo o processo a cada novo cenário. O Zeva desloca todo esse fluxo para o lado da inferência: o sistema memoriza a relação causal entre ações e mudanças de estado, e depois devolve essa relação como prompt para o modelo base congelado. O modelo base usado no artigo é o Cosmos3.
Três componentes
O codificador de transição causal extrai, de cada ação, a mudança de estado, formando pares entre "o que eu fiz" e "como o ambiente mudou". Essa etapa é a captação de dados de todo o método — a precisão da extração determina diretamente se o restante é utilizável.
A memória causal opera em duas escalas de tempo. A camada curta, chamada "trajetória de interação breve", cobre apenas a tentativa atual; a camada longa, "memória de interação persistente", acumula ao longo de várias tentativas. A primeira responde "o que acabei de tentar nesta rodada"; a segunda, "onde falhei da última vez". A separação entre as duas é deliberada: o sinal de falha da rodada atual precisa realimentar imediatamente a próxima ação, enquanto a experiência entre rodadas precisa ser filtrada antes de entrar na memória de longo prazo — misturar as duas facilmente deixa o sistema à mercê do ruído de uma única tentativa.
O terceiro passo é a injeção de política em contexto, que insere as pistas causais na entrada do modelo congelado. Durante toda a implantação, não há nenhuma atualização de gradiente.
Onde os números aparecem
No benchmark RoboCasa365-Atomic5, a taxa de sucesso média foi de 76,8%. Mais revelador é o conjunto de dados obtido ao transferir o sistema para um laboratório de química real (ambiente que a equipe chamou de ChemLab-Evo): pegar um tubo de ensaio foi de 65% para 100%, posicionar um béquer foi de 25% para 70%, e despejar água foi de 30% para 80%.
Os pontos de partida das três tarefas são bem diferentes. Pegar o tubo de ensaio já tinha uma base de 65%; chegar a 100% foi apenas aparar as arestas restantes. Posicionar o béquer partiu de 25% e quase triplicou — um indício de que o mecanismo de memória traz ganhos mais expressivos em faixas de taxa de sucesso mais baixas, já que o robô falha mais e, com isso, gera mais pares causais para atribuição.
Uma única demonstração humana ainda consegue empurrar os números mais adiante: cerca de 20 pontos percentuais a mais no béquer e cerca de 15 pontos percentuais a mais em despejar água. O fato de uma demonstração isolada — com informação por si só limitada — provocar esse salto mostra que ela entra na memória, não nos parâmetros, funcionando de forma plug-and-play.
Por que um laboratório de química
A escolha desse cenário tem uma razão prática. Nas operações químicas, os limites das mudanças de estado são claros — nível do líquido, posição do tubo de ensaio, se algo derramou —, o que torna o sinal causal limpo e os pares extraídos pelo codificador pouco ruidosos. Em tarefas com estados difíceis de quantificar, como dobrar roupas, o mesmo mecanismo pode não funcionar tão bem, e o artigo não evita reconhecer isso.
Para a engenharia, o significado está na mudança de formato de implantação. No caminho de fine-tuning, cada novo local exige uma nova rodada de coleta de dados, retreinamento e validação de regressão — um ciclo completo leva semanas. Com o Zeva, o sistema começa a funcionar assim que é implantado e fica mais preciso conforme é usado, ao custo de um contexto mais longo e maior custo por passo de inferência. Qual abordagem compensa mais depende da frequência com que o cenário muda — se um robô trabalha na mesma tarefa por muito tempo, o fine-tuning continua sendo a opção mais econômica.
O artigo se intitula "Zeva: In-Context Causal Learning for Generalizable Embodied Manipulation", e entre os autores estão Liu Yunxin e Cao Ting, do AIR da Tsinghua.
Fontes: artigo original do Zeva, QbitAI, CocoLoop; as taxas de sucesso e os nomes dos benchmarks foram conferidos conforme divulgado no artigo, e os aumentos foram calculados pela subtração direta dos valores do artigo.