AnswersPublished14 sources
Zeva laat robots leren van hun eigen fouten, zonder de modelgewichten te wijzigen
Zeva houdt de gewichten van een Cosmos3 gebaseerd robotbeleid bevroren, maar past gedrag tijdens inzet aan met herinneringen aan eerdere actie gevolgrelaties. De aanpak combineert een Causal Transition Encoder met kortetermijngeheugen (BIT), persistent geheugen (PIM) en contextinjectie in het actiebeleid.
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Zeva houdt de gewichten van een Cosmos3 gebaseerd robotbeleid bevroren, maar past gedrag tijdens inzet aan met herinneringen aan eerdere actie gevolgrelaties.
- De aanpak combineert een Causal Transition Encoder met kortetermijngeheugen (BIT), persistent geheugen (PIM) en contextinjectie in het actiebeleid.
- In de gerapporteerde tests behaalde Zeva 76,8% gemiddeld succes op RoboCasa365 Atomic5 en verbeterden drie echte labtaken over herhaalde pogingen.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Zeva, the frozen weight in context causal memory method introduced by Tsinghua AIR and Domain Transform for Cosmos3 backed embodied. Article summary: Zeva is a deployment time adaptation framework for embodied manipulation: it keeps the Cosmos3 based policy weights frozen, but lets the robot improve through an online memory of what its actions physically caused.. Topic tags: general web, llm, prompt engineering, ai, code. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
Een robot die een bekertje verkeerd neerzet, een reageerbuis mist of water te vroeg kantelt, moet normaal gesproken opnieuw worden getraind om daarvan te leren. Dat betekent: data verzamelen, voorbeelden labelen, een nieuw fine-tuningproces draaien en een nieuw model uitrollen.
Zeva kiest een andere route. Het systeem van Tsinghua AIR en Domain Transform houdt het Cosmos3-gebaseerde robotbeleid tijdens inzet volledig bevroren. In plaats daarvan onthoudt het wat een uitgevoerde actie in de fysieke wereld veroorzaakte en haalt het die informatie op als context voor een volgende actie. Er zijn dus geen gradiëntupdates en geen nieuwe trainingscyclus nodig. 1
5
Niet alleen onthouden wat er gebeurde, maar wat de actie veroorzaakte
De kern is zogeheten in-context causal learning (ICCL): de robot probeert niet simpelweg beelden of succesvolle bewegingen te kopiëren. Hij legt een verband vast tussen een actie en de waargenomen verandering die daaruit volgde.
Zeva bestaat daarbij uit drie onderdelen.
Causal Transition Encoder (CTE): na iedere actie combineert deze encoder de visuele toestand, de uitgevoerde actie en de waargenomen verandering. Daaruit maakt hij een latente representatie van de interactie. Die wordt uitgesplitst in een token voor de taakfase en een causaal interactiesignaal. Het doel is om actiegedreven fysica te onderscheiden van toevallige beeldkenmerken, zoals achtergrond of belichting.
1
4
Geheugen op twee tijdschalen:
- De Brief Interaction Trace (BIT) bevat de meest recente informatie binnen de lopende poging. Daarmee kan de robot bijvoorbeeld direct reageren op een zojuist mislukte greep of een lokale afwijking in de dynamiek.
- De Persistent Interaction Memory (PIM) bewaart en consolideert relevante ervaringen tussen meerdere pogingen binnen dezelfde episode. Zo kunnen zowel mislukte als geslaagde interacties een volgende poging beïnvloeden.
- De Brief Interaction Trace (BIT) bevat de meest recente informatie binnen de lopende poging. Daarmee kan de robot bijvoorbeeld direct reageren op een zojuist mislukte greep of een lokale afwijking in de dynamiek.
Contextinjectie in het beleid: Zeva zoekt geheugeninformatie die past bij de huidige taakfase, vormt daaruit een causale prompt en injecteert die in de actiegeneratie van het bevroren basismodel. Het beleid kan zijn gedrag dus aanpassen via context, niet via gewijzigde parameters.
5
Praktisch betekent dit dat een robot na een onbekende objectopstelling of onverwacht fysiek gedrag mogelijk sneller kan bijsturen: geen nieuwe labels, geen retraining, geen extra modelversie en geen onderbreking voor een trainingsrun. Het blijft een vorm van leren, maar dan als geheugen-gebaseerde aanpassing in de context, niet als permanent leren in de modelgewichten. 1
6
Welke resultaten rapporteert het team?
De cijfers zijn afkomstig uit het paper en projectmateriaal van de makers; onafhankelijke replicatie is nog niet beschikbaar.
- Op de simulatiesubset RoboCasa365-Atomic5, met vijf taken, rapporteerde Zeva gemiddeld 76,8% succes. Fast-WAM kwam uit op 72,4% en Cosmos3-Nano op 64,8%.
- Een grafiek in het primaire materiaal laat een gebundelde cumulatieve succesratio zien die stijgt van ongeveer 26% bij de eerste evolutiepoging naar 73% bij de vierde. Die grafiek is in het paper aangeduid als RoboCasa365, niet als ChemLab-Evo. De toeschrijving van deze 26%-naar-73%-reeks aan ChemLab-Evo wordt dus niet door het aangeleverde primaire materiaal ondersteund.
- Op echte ChemLab-Evo Level-1-taken met een ARX-robotarm rapporteerde het team verbetering bij herhaalde pogingen:
- reageerbuis oppakken: 65% naar 100%;
- bekerglas plaatsen: 25% naar 70%;
- water uitschenken: 30% naar 80%.
- In de uiteindelijke Level-1-tabel staat Zeva op respectievelijk 100%, 70% en 80%, gemiddeld 83,3%. Cosmos3-Nano behaalde 80%, 70% en 60%; Fast-WAM 85%, 70% en 75%.
Ook één menselijke demonstratie kan als startpunt dienen
Een enkele fysiek begeleide menselijke uitvoering kan eveneens in hetzelfde interactiegeheugen worden opgeslagen. Dat fungeert als een warm start: de modelgewichten blijven ongewijzigd, terwijl de robot de vastgelegde causale interactiecontext later gebruikt om de handeling te reproduceren. 6
Het aangeleverde bewijs bevestigt dat mechanisme kwalitatief, maar geeft geen controleerbare voor-en-na-cijfers specifiek voor het plaatsen van een bekerglas of het uitschenken van water. De onderbouwde conclusie is daarom dat zo'n eenmalige demonstratie die taken kan opstarten of ondersteunen, niet dat een precieze winst is vastgesteld. 6
Waarom zwakkere basismodellen waarschijnlijk meer profiteren
De voor de hand liggende verklaring is dat er meer ruimte voor verbetering is. Een zwakker vooraf getraind beleid maakt bij een veranderde fysieke opstelling vaker systematische fouten. Correctieve informatie uit eerdere actie-gevolgervaringen kan dan meer missers wegnemen.
Een sterker basismodel slaagt al vaker zonder die extra context en heeft daardoor minder herstelbare fouten. Dat is echter een plausibele interpretatie, geen bewezen algemene wet: het onderzoek toont vergelijkende resultaten en verbetering tijdens inzet, maar geen universele regel dat zwakkere modellen altijd meer profiteren. 1
Waarom juist een chemielab?
ChemLab-Evo is geschikt omdat laboratoriumhandelingen veel betekenisvolle fysieke variatie bevatten: de greep op kleine voorwerpen, nauwkeurig plaatsen, kantelen en schenken, en procedures met meerdere stappen. Fouten zijn bovendien vaak af te leiden uit hun fysieke gevolg.
De benchmark omvat zeven taken voor een ARX-manipulator. Die lopen van basisvaardigheden, zoals een reageerbuis oppakken, een bekerglas plaatsen en water uitschenken, tot korte sequenties en langere procedures zoals titratie, een zoutoplossing maken, wegen met een balans en extractie. 1
Dat maakt de omgeving bruikbaar om te testen of herinnerde relaties tussen actie en effect doorwerken tussen nieuwe pogingen en verwante vaardigheden — in plaats van dat de robot alleen een beeld of voorbeeld imiteert.
De praktische keerzijden en open vragen
De aanpak is veelbelovend, maar de gerapporteerde evaluaties laten ook duidelijke grenzen zien.
Extra context- en rekentijd: geheugenophaling en het injecteren van causale prompts voegen verwerking toe. Een langere geschiedenis kan nuttig zijn, maar uiteindelijk kunnen zoekkwaliteit, vertraging en contextcapaciteit beperkend worden. De beschikbare resultaten tonen nog niet aan dat dit naar zeer lange inzetperioden schaalt.
Kwaliteit van het geheugen: een fout gecodeerde oorzaak-gevolgrelatie, een slechte match met de taakfase of een misleidende mislukte poging kan schadelijke context terughalen. Het onderscheid tussen BIT en PIM beperkt dat risico, maar garandeert geen veilig of foutloos geheugen.
Beperkte fysieke reikwijdte: de echte taken draaien vooral om stijve laboratoriumobjecten en vloeistoftransfer. Of Zeva ook werkt voor vervormbare materialen zoals textiel, kabels, voedsel of zachte verpakkingen — of bij contactrijke taken waarvoor kracht- en tactiele sensoren nodig zijn — is nog niet aangetoond.
Gecontroleerde inzetomgeving: tussen pogingen wordt de omgeving gereset en blijft PIM binnen één episode behouden. Dat is iets anders dan langdurige inzet in een voortdurend veranderende omgeving, met slijtage, rommel, mensen in beeld, veranderende camerakalibratie en beheer van langetermijngeheugen.
Overdraagbaarheid naar andere robots: de praktijkproef gebruikt een specifieke ARX-robotarm in een werkgebied van 80 × 60 cm. Het is nog onduidelijk hoe goed encoder en promptmechanisme overgaan naar andere armen, grijpers, mobiele of tweearmige robots, sensoren, besturingsfrequenties en veiligheidseisen.
Taakbereik: Zeva is getest op een geselecteerde set keuken- en scheikundetaken. Overdracht tussen functioneel vergelijkbare effecten — grijpen, optillen en een bakje kantelen — is interessant, maar brede generalisatie naar ongerelateerde taaktypen en uiteenlopende taalinstructies moet nog empirisch worden bewezen.
De hoofdgedachte van Zeva is daarmee helder: een robot hoeft niet na elke nieuwe ervaring opnieuw te worden getraind om zich aan te passen. De vraag die nog openligt, is hoe betrouwbaar dat geheugenmechanisme blijft wanneer de omgeving, het materiaal, de hardware en de inzetduur veel minder gecontroleerd zijn.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Zeva laat robots leren van hun eigen fouten, zonder de modelgewichten te wijzigen"?
Zeva houdt de gewichten van een Cosmos3 gebaseerd robotbeleid bevroren, maar past gedrag tijdens inzet aan met herinneringen aan eerdere actie gevolgrelaties.
What are the key points to validate first?
Zeva houdt de gewichten van een Cosmos3 gebaseerd robotbeleid bevroren, maar past gedrag tijdens inzet aan met herinneringen aan eerdere actie gevolgrelaties. De aanpak combineert een Causal Transition Encoder met kortetermijngeheugen (BIT), persistent geheugen (PIM) en contextinjectie in het actiebeleid.
What should I do next in practice?
In de gerapporteerde tests behaalde Zeva 76,8% gemiddeld succes op RoboCasa365 Atomic5 en verbeterden drie echte labtaken over herhaalde pogingen.
Sources
m.chinaventure.com.cn清华AIR 与域变换联合发布Zeva，用上下文内因果学习开启 ...