先說結論：Zeva 不是重新訓練，而是讓機器人「記得剛才為何失敗」

Zeva 是清華 AIR 與 Domain Transform 提出的具身操作部署期適應框架。它不更新以 Cosmos3 為底座的策略模型權重，而是在機器人執行期間，持續記錄自身動作引發的物理狀態改變；之後從這些經驗中找出與當前步驟相關的內容，作為上下文送回凍結策略，影響下一次動作生成。15

這與常見的「蒐集資料、人工標註、微調模型、重新部署」流程不同。面對陌生的物品擺放、抓取幾何或液體傾倒狀況時，Zeva 的設計目標是在推論當下完成調整，無須梯度更新、另開訓練作業、發佈新模型版本或等待停機維護。16

不過，這裡的「學習」應精確理解為記憶驅動的上下文內適應：機器人行為可以因經驗改變，但模型參數本身並沒有被永久修改。

三個核心：把「動作→結果」變成下一步可用的脈絡

1. 因果轉移編碼器（CTE）：不只看畫面，而是辨認動作造成了什麼

每完成一個動作，Zeva 的因果轉移編碼器（Causal Transition Encoder，CTE）會結合視覺狀態、動作編碼與觀察到的狀態變化，轉成潛在的因果互動表徵。系統再將其拆分為：

• 任務階段標記（phase token）：判斷目前是在抓取、抬升、放置或傾倒等哪個階段；
• 因果互動訊號：表示動作所引發的變化，例如夾爪是否真正帶動物件、容器傾斜是否產生預期效果。

這種設計意在降低背景、光照或畫面構圖等偶然視覺相關性的干擾，讓系統更著重「這個動作究竟對環境造成什麼後果」。14

2. 兩種時間尺度的記憶：眼前修正與跨次累積分開處理

Zeva 將互動經驗放進兩層記憶，而非全部混在同一段歷史裡：

• Brief Interaction Trace（BIT，簡短互動軌跡）：保存當前這一次嘗試中剛發生的資訊。它像工作記憶，適合處理「剛才抓偏了」「這個角度接觸後物體滑動」等需要立刻反映的局部動態。1
• Persistent Interaction Memory（PIM，持久互動記憶）：在同一個 episode 的多次嘗試之間保留並整合較有用的證據，讓先前成功或失敗的互動能影響後續重試。1

分層的用意是避免兩種問題：一方面，不能因重新嘗試就把剛學到的線索全部忘掉；另一方面，也不能讓一次偶然失誤或雜訊直接污染較長期的可用經驗。

3. 上下文策略注入：把相關經驗送回凍結的策略模型

在決定下一步時，Zeva 會依目前任務階段，從 BIT 與 PIM 檢索相符的因果互動證據，整理成因果提示（causal prompt），再注入凍結基礎策略的動作生成路徑。換句話說，策略不是改變參數，而是因為讀到「此處這樣施力或移動曾造成什麼結果」，而在當下改變輸出的動作。15

成績如何？模擬與真實實驗室都有提升，但要分清楚指標

在五項 RoboCasa365-Atomic5 模擬任務中，Zeva 報告的平均成功率為 76.8%，高於 Fast-WAM 的 72.4% 與 Cosmos3-Nano 的 64.8%。1

真實機器人評測則使用 ARX 機械手臂執行 ChemLab-Evo Level-1 實驗室操作。隨多次嘗試累積互動經驗，團隊報告：

任務	重複嘗試中的成功率變化
拾取試管（Pick Up Test Tube）	65% → 100%
放置燒杯（Place Beaker）	25% → 70%
倒水（Pour Water）	30% → 80%

最終的 Level-1 結果中，Zeva 在這三項任務分別得到 100%／70%／80%，平均 83.3%；Cosmos3-Nano 為 80%／70%／60%，Fast-WAM 為 85%／70%／75%。1

至於常被轉述為「約 26% 升至 73%」的累積成功率曲線，主要論文提供的圖表標示為 RoboCasa365，而非 ChemLab-Evo。因此，將這個 26%→73% 的數字直接歸於 ChemLab-Evo，並沒有得到所提供一手材料的支持。1

一次人類示範能做什麼？可作為暖啟動，但沒有可靠的任務增益數字

Zeva 也支援將一次由人類實體引導完成的操作軌跡，寫進同一套互動記憶機制，作為暖啟動（warm start）。後續即使策略權重仍然凍結，模型也能利用這段「動作—效果」的因果脈絡，嘗試重現相應操作。6

現有資料足以支持「單次示範可提供暖啟動或改善操作」的定性說法；但並未提供燒杯放置或倒水任務在示範前後的可驗證精確數字。因此，不宜將其描述為某個固定百分點的提升。6

為何較弱的基線可能進步更明顯？關鍵在可修正的錯誤空間

一個合理解釋是「改善空間」不同：預訓練策略較弱時，面對改變後的物理配置更容易系統性出錯，因此因果記憶提供的修正線索有更多機會發揮作用；本來成功率已高的策略，可被修正的錯誤自然較少。

但這應視為合理詮釋，而非普遍定律。現有結果顯示的是特定任務與比較設定中的部署期進步，尚不足以證明所有較弱模型都必然從因果記憶獲得更大收益。1

為何選化學實驗室操作？它把物理細節的重要性放大

ChemLab-Evo 選擇實驗室操作，是因為這類任務同時包含抓取幾何、小型容器、精準放置、傾斜與倒液、多步驟程序，以及可從物理結果診斷的失敗情境。基準包含 7 項 ARX 機械手臂任務，從試管拾取、燒杯放置、倒水等原子操作，延伸至滴定、鹽水配置、天平秤重與萃取等較長流程。1

這類環境適合檢驗一個問題：機器人記住的究竟只是畫面模式，還是能在後續嘗試與相近技能中，重用「某種動作會帶來某種物理效果」的關係？

實務代價與尚未解答的問題

Zeva 的概念吸引人，但目前證據也清楚留下幾個限制。

• 上下文與推論成本：檢索記憶、建立因果提示並處理額外上下文，都會增加運算與延遲。歷史拉得更長未必一直有利，檢索品質、上下文容量與即時性都可能成為瓶頸；現有結果尚未證明它可穩定擴展至極長期部署。1
• 記憶品質與污染風險：若因果編碼錯誤、任務階段匹配不佳，或失敗軌跡帶來誤導，系統可能檢索到有害經驗。BIT 與 PIM 的分離有助於緩解，但不代表長期記憶一定安全可靠。1
• 物理範圍仍有限：真實世界展示主要集中於剛性實驗器材與液體轉移。布料、線材、食物、軟包裝等高度可變形物體，以及高度依賴力量或觸覺回饋的接觸密集任務，尚未被充分驗證。1
• 現場穩定性的問題：評測會在各次嘗試間重設環境，並在 episode 內保留 PIM，屬於受控協議。這不同於長期運作的真實設施：相機校正漂移、設備磨損、人員走動、雜物變化及記憶治理，都還沒有被證明能穩妥處理。1
• 跨平台與硬體轉移未解：實測採用特定 ARX 機械手臂與 80 × 60 公分工作區。能否平順轉移到不同手臂、夾爪、移動操作平台、雙臂系統、感測器組合、控制頻率與安全規範，仍是開放問題。1
• 任務類別泛化仍待驗證：目前評估集中在廚房與化學任務。抓握、抬升與容器傾斜等功能相近技能之間的轉移雖有潛力，但對彼此差異更大的任務類型、語意指令與長程工作流程，尚缺乏足夠實證。1
• 證據成熟度：上述結果主要來自論文與專案團隊報告，尚非獨立重現。方法描述具備合理性，但對更長時程、更複雜硬體、軟性物體與非受控生產現場的穩健性，仍需要更強的驗證。1

Zeva 的真正價值，在於將「部署後遇到問題才回去訓練」轉為「部署現場利用記憶立刻調整」的路線。它是否能成為大規模機器人系統的可靠能力，接下來取決於記憶管理、安全性、延遲控制與跨環境泛化能否經得起更嚴格的實地測試。

先說結論：Zeva 不是重新訓練，而是讓機器人「記得剛才為何失敗」

Zeva 是清華 AIR 與 Domain Transform 提出的具身操作部署期適應框架。它不更新以 Cosmos3 為底座的策略模型權重，而是在機器人執行期間，持續記錄自身動作引發的物理狀態改變；之後從這些經驗中找出與當前步驟相關的內容，作為上下文送回凍結策略，影響下一次動作生成。15

這與常見的「蒐集資料、人工標註、微調模型、重新部署」流程不同。面對陌生的物品擺放、抓取幾何或液體傾倒狀況時，Zeva 的設計目標是在推論當下完成調整，無須梯度更新、另開訓練作業、發佈新模型版本或等待停機維護。16

不過，這裡的「學習」應精確理解為記憶驅動的上下文內適應：機器人行為可以因經驗改變，但模型參數本身並沒有被永久修改。

三個核心：把「動作→結果」變成下一步可用的脈絡

1. 因果轉移編碼器（CTE）：不只看畫面，而是辨認動作造成了什麼

每完成一個動作，Zeva 的因果轉移編碼器（Causal Transition Encoder，CTE）會結合視覺狀態、動作編碼與觀察到的狀態變化，轉成潛在的因果互動表徵。系統再將其拆分為：

• 任務階段標記（phase token）：判斷目前是在抓取、抬升、放置或傾倒等哪個階段；
• 因果互動訊號：表示動作所引發的變化，例如夾爪是否真正帶動物件、容器傾斜是否產生預期效果。

這種設計意在降低背景、光照或畫面構圖等偶然視覺相關性的干擾，讓系統更著重「這個動作究竟對環境造成什麼後果」。14

2. 兩種時間尺度的記憶：眼前修正與跨次累積分開處理

Zeva 將互動經驗放進兩層記憶，而非全部混在同一段歷史裡：

• Brief Interaction Trace（BIT，簡短互動軌跡）：保存當前這一次嘗試中剛發生的資訊。它像工作記憶，適合處理「剛才抓偏了」「這個角度接觸後物體滑動」等需要立刻反映的局部動態。1
• Persistent Interaction Memory（PIM，持久互動記憶）：在同一個 episode 的多次嘗試之間保留並整合較有用的證據，讓先前成功或失敗的互動能影響後續重試。1

分層的用意是避免兩種問題：一方面，不能因重新嘗試就把剛學到的線索全部忘掉；另一方面，也不能讓一次偶然失誤或雜訊直接污染較長期的可用經驗。

3. 上下文策略注入：把相關經驗送回凍結的策略模型

在決定下一步時，Zeva 會依目前任務階段，從 BIT 與 PIM 檢索相符的因果互動證據，整理成因果提示（causal prompt），再注入凍結基礎策略的動作生成路徑。換句話說，策略不是改變參數，而是因為讀到「此處這樣施力或移動曾造成什麼結果」，而在當下改變輸出的動作。15

成績如何？模擬與真實實驗室都有提升，但要分清楚指標

在五項 RoboCasa365-Atomic5 模擬任務中，Zeva 報告的平均成功率為 76.8%，高於 Fast-WAM 的 72.4% 與 Cosmos3-Nano 的 64.8%。1

真實機器人評測則使用 ARX 機械手臂執行 ChemLab-Evo Level-1 實驗室操作。隨多次嘗試累積互動經驗，團隊報告：

任務	重複嘗試中的成功率變化
拾取試管（Pick Up Test Tube）	65% → 100%
放置燒杯（Place Beaker）	25% → 70%
倒水（Pour Water）	30% → 80%

最終的 Level-1 結果中，Zeva 在這三項任務分別得到 100%／70%／80%，平均 83.3%；Cosmos3-Nano 為 80%／70%／60%，Fast-WAM 為 85%／70%／75%。1

至於常被轉述為「約 26% 升至 73%」的累積成功率曲線，主要論文提供的圖表標示為 RoboCasa365，而非 ChemLab-Evo。因此，將這個 26%→73% 的數字直接歸於 ChemLab-Evo，並沒有得到所提供一手材料的支持。1

一次人類示範能做什麼？可作為暖啟動，但沒有可靠的任務增益數字

Zeva 也支援將一次由人類實體引導完成的操作軌跡，寫進同一套互動記憶機制，作為暖啟動（warm start）。後續即使策略權重仍然凍結，模型也能利用這段「動作—效果」的因果脈絡，嘗試重現相應操作。6

現有資料足以支持「單次示範可提供暖啟動或改善操作」的定性說法；但並未提供燒杯放置或倒水任務在示範前後的可驗證精確數字。因此，不宜將其描述為某個固定百分點的提升。6

為何較弱的基線可能進步更明顯？關鍵在可修正的錯誤空間

一個合理解釋是「改善空間」不同：預訓練策略較弱時，面對改變後的物理配置更容易系統性出錯，因此因果記憶提供的修正線索有更多機會發揮作用；本來成功率已高的策略，可被修正的錯誤自然較少。

但這應視為合理詮釋，而非普遍定律。現有結果顯示的是特定任務與比較設定中的部署期進步，尚不足以證明所有較弱模型都必然從因果記憶獲得更大收益。1

為何選化學實驗室操作？它把物理細節的重要性放大

ChemLab-Evo 選擇實驗室操作，是因為這類任務同時包含抓取幾何、小型容器、精準放置、傾斜與倒液、多步驟程序，以及可從物理結果診斷的失敗情境。基準包含 7 項 ARX 機械手臂任務，從試管拾取、燒杯放置、倒水等原子操作，延伸至滴定、鹽水配置、天平秤重與萃取等較長流程。1

這類環境適合檢驗一個問題：機器人記住的究竟只是畫面模式，還是能在後續嘗試與相近技能中，重用「某種動作會帶來某種物理效果」的關係？

實務代價與尚未解答的問題

Zeva 的概念吸引人，但目前證據也清楚留下幾個限制。

• 上下文與推論成本：檢索記憶、建立因果提示並處理額外上下文，都會增加運算與延遲。歷史拉得更長未必一直有利，檢索品質、上下文容量與即時性都可能成為瓶頸；現有結果尚未證明它可穩定擴展至極長期部署。1
• 記憶品質與污染風險：若因果編碼錯誤、任務階段匹配不佳，或失敗軌跡帶來誤導，系統可能檢索到有害經驗。BIT 與 PIM 的分離有助於緩解，但不代表長期記憶一定安全可靠。1
• 物理範圍仍有限：真實世界展示主要集中於剛性實驗器材與液體轉移。布料、線材、食物、軟包裝等高度可變形物體，以及高度依賴力量或觸覺回饋的接觸密集任務，尚未被充分驗證。1
• 現場穩定性的問題：評測會在各次嘗試間重設環境，並在 episode 內保留 PIM，屬於受控協議。這不同於長期運作的真實設施：相機校正漂移、設備磨損、人員走動、雜物變化及記憶治理，都還沒有被證明能穩妥處理。1
• 跨平台與硬體轉移未解：實測採用特定 ARX 機械手臂與 80 × 60 公分工作區。能否平順轉移到不同手臂、夾爪、移動操作平台、雙臂系統、感測器組合、控制頻率與安全規範，仍是開放問題。1
• 任務類別泛化仍待驗證：目前評估集中在廚房與化學任務。抓握、抬升與容器傾斜等功能相近技能之間的轉移雖有潛力，但對彼此差異更大的任務類型、語意指令與長程工作流程，尚缺乏足夠實證。1
• 證據成熟度：上述結果主要來自論文與專案團隊報告，尚非獨立重現。方法描述具備合理性，但對更長時程、更複雜硬體、軟性物體與非受控生產現場的穩健性，仍需要更強的驗證。1

Zeva 的真正價值，在於將「部署後遇到問題才回去訓練」轉為「部署現場利用記憶立刻調整」的路線。它是否能成為大規模機器人系統的可靠能力，接下來取決於記憶管理、安全性、延遲控制與跨環境泛化能否經得起更嚴格的實地測試。