Zetta $ζ$: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence
Xin Ding, Liang Mi, Mingzhe Huang, Zixuan Wang, Chao Zhang, Zixu Hao, Fu Chen, Xiangyu Li, Yikai Zheng, Yaoyu Guo, Weijun Wang, Kun Li, Hao Wu, Yunxin Liu, Ting Cao
cs.RO
2026-08-17
清华AIR的Zetta冻住基座策略，用代码批评器在动作频率上盯执行，失败后再写入可复用恢复技能。LIBERO-Pro Goal从34.5%到90.8%，RoboCasa十八项从73.6%到93.6%，相对RPent推理快11.1倍。
端到端 VLA 在演示分布外很脆。另一条路是用大模型当具身 agent，编排策略、代码和工具。现有 harness 多半仍是开环：执行一开始就按固定技能走完，episode 结束后再反思。物理接触在毫秒级变，事后总结既对不上失败瞬间的状态，也不能在过程中试另一种动作。
卡点是频率。大模型做不到动作频率上的决策，所以治理必须下沉到可在线跑的代码，而不是每步都问一次 LLM。
Zetta 把基座策略冻住，演化的是 harness：运行时批评器、恢复剧本、异构工具。编排器只做证据裁决，逻辑也不改。策略在 LIBERO-Pro 上是 π0.5，在 RoboCasa 上是 GR00T N1.5。
三条时间尺度分开的环叠在一起。动作环里，代码批评器按控制频率扫轨迹，给出失败证据和建议模式；编排器点头后才切到恢复技能，恢复结束、接触稳定，才把控制交回 VLA。批次环把失败按最早可观测偏离聚类，自顶向下诊断，顺序是评估、批评器、状态、规划、恢复、参数，能在高层修就不动底层增益。迭代环只收能提高成功率、并能跨 rollout 泛化的补丁，打成带 SKILL.md 的版本包。
配套的 Z-Infra 把 agent 逻辑和硬件拆开：环境 worker 与模型 worker 分池，π0.5 的 VLM 与 Action Expert 分进程，中间激活走 CUDA IPC。论文称这是面向自演化具身 agent 的第一套 rollout 基础设施。
评测有隔离测试种子。RoboCasa 每任务 50 个开发种子、50 个 held-out。LIBERO-Pro 用 50 个开发种子演化，最终只报从未见过的 1–20 号种子。
LIBERO-Pro 的 Goal 套件按 T/S 两种扰动平均，成功率从 34.5% 到 90.8%：Goal-T 31.0%→92.5%，Goal-S 38.0%→89.0%。把 LIBERO-10 也算进去，四十组任务设定的宏平均是 32.00%→71.13%。LIBERO-10 仍然硬，T 设定 50.0%→63.0%，S 设定 9.0%→40.0%，若干任务仍是 0%。
RoboCasa 十八项 Atomic-Seen，冻结 GR00T 从 73.56% 到 93.56%。PnP-Stove 上学到的预抓取、再抓取、稳定放置，零样本迁到水槽、柜、烤面包机，宏平均 64%→84%；对应三项分别是 58%→82%、62%→80%、72%→90%。
单个失败簇内部会出现跳变。Goal-T2 放酒瓶，症状修补停在 15%，抓住「抓取保持」后到 95%。Goal-S6 放奶油奶酪，从 5% 跳到 90%。这些检查点是同一轮诊断里的内部版本，不是额外训 VLA。
Z-Infra 在 8×A100 上把有效吞吐从约 1.7 提到 35.1 episode/分钟。相对 RPent，论文给出 11.1 倍推理加速；并发 16 时吞吐是 12.8 倍。
这是一条不改权重的部署期缩放路径：冻住 VLA，把可验证的代码技能堆上去。技能按物理失败模式迁移，不是背源任务轨迹。对已经有还行基座、缺的是执行可靠性的团队，这条比再收集演示更便宜。它没有把策略天花板抬高，LIBERO-10 上若干长程任务仍然起不来。
全部是仿真。结论写明下一步才上真机。LIBERO-Pro 的 90.8% 是 Goal 套件平均，四十组全算只有 71.13%，摘要容易让人把两个数字当成一回事。Held-out 在 LIBERO 上是 20 个种子，统计很紧。批评器在仿真里能读碰撞和接触力，真机同款信号要另接。演化吞吐依赖大规模并行 rollout，单机实验室很难复现论文预算。SOTA 声明也加了「在当前 rollout 预算下」。