Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence

Autores: 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 · arXiv 2026

Licencias

Acceso abierto
Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

Un VLA congelado se envuelve en críticos y habilidades de recuperación basados en código que los agentes diagnostican, reparan y validan a partir de ejecuciones simuladas fallidas, lo que eleva el éxito en RoboCasa del 73,6 % al 93,6 %.

Por qué importa

Muestra una forma de aumentar la fiabilidad de una política de manipulación preentrenada sin reentrenar sus pesos: detectar en código estados de fallo físico, como la pérdida del agarre o un transporte estancado, y ejecutar recuperaciones específicas. Los pares crítico-recuperación aprendidos se definen sobre geometría relativa a los objetos y predicados de contacto, por lo que se trasladan a tareas relacionadas, y el artículo trata el rendimiento de las ejecuciones como el límite de velocidad de esa mejora.

Problema

Las políticas VLA y de mundo-acción se ejecutan en lazo abierto durante la inferencia, por lo que un deslizamiento o una pequeña colisión puede desencadenar el fallo de la tarea. Los arneses de agentes basados en modelos de lenguaje reflexionan solo después de que termina un episodio, porque los modelos grandes no pueden decidir a la frecuencia de acción, y la reflexión a posteriori no puede probar alternativas ni ver el estado exacto del fallo. El aprendizaje por autoexploración está además limitado por la velocidad a la que se pueden generar ejecuciones.

Solución propuesta

La política base (π0.5 o GR00T N1.5) y un agente orquestador permanecen fijos mientras evoluciona un arnés de críticos en tiempo de ejecución basados en código, manuales de recuperación y herramientas. Los críticos se ejecutan a la frecuencia de acción y proponen intervenciones que el orquestador aprueba; agentes fuera de línea agrupan las ejecuciones fallidas por el primer hito no alcanzado y la divergencia más temprana respecto a las ejecuciones exitosas, diagnostican la causa raíz de arriba abajo, desde la lógica de evaluación hasta los parámetros de control, escriben un parche mínimo con un contrato de reentrada para devolver el control y solo lo admiten después de que corrija todas las semillas de su grupo y se mantenga en semillas reservadas. Z-Infra, construido sobre Ray, separa los trabajadores de entorno de los trabajadores de modelo en GPU con inferencia por lotes, partición VLM/experto de acciones y cuantización opcional.

Ideas clave

Los críticos basados en código pueden supervisar la ejecución a la frecuencia de acción, dejando al lento agente de modelo de lenguaje la aprobación de intervenciones y el diagnóstico fuera de línea.
Diagnosticar los fallos de arriba abajo (evaluación, crítico, estado, planificación, recuperación y, por último, parámetros) y aplicar el parche en la capa más alta que corrige el fallo evita sobreajustar parámetros de bajo nivel a un único fallo.
Las ganancias suelen llegar de golpe cuando el agente encuentra el verdadero cuello de botella físico, como la retención del agarre o la geometría de aproximación, después de que se estancan correcciones sintomáticas anteriores.
Los pares crítico-recuperación definidos sobre geometría relativa a los objetos y predicados de contacto genéricos se transfieren sin ejemplos (zero-shot) a tareas relacionadas.
Los métodos de referencia con el agente en el bucle que llaman a un LLM en cada punto de decisión son lentos; invocar a los agentes solo fuera de línea y ejecutar los críticos en línea reduce la latencia por episodio.

Resultados principales

RoboCasa, 18 tareas Atomic-Seen con GR00T N1.5 como base congelada: el éxito macropromedio subió del 73,56 % al 93,56 % en cuatro rondas de reparación (78,71 %, 84,85 %, 90,54 %, 93,56 %), evaluado en 50 semillas reservadas por tarea.
LIBERO-Pro con π0.5 como base congelada: Goal (T) subió del 31,0 % al 92,5 % y Goal (S) del 38,0 % al 89,0 %; el 90,8 % del resumen es la media de estos dos ajustes Goal, mientras que la media global de la tabla 3, incluido LIBERO-10, es del 71,13 % (desde el 32,00 %), con LIBERO-10 (T) del 50,0 % al 63,0 % y (S) del 9,0 % al 40,0 %.
Transferencia sin ejemplos de las habilidades aprendidas en PnP-Stove: PnP-Sink del 58 % al 82 %, PnP-Cabinet del 62 % al 80 %, PnP-Toaster del 72 % al 90 %; las habilidades de TurnOffStove elevaron tres tareas articuladas de una media del 64 % a una del 80 %.
Ganancias bruscas: Goal-T2 (botella de vino en un cuenco) pasó del 10 % al 15 % tras una primera corrección y luego al 95 % una vez añadido un crítico de retención del agarre; Goal-S6 (queso crema) pasó del 5 % al 90 %.
Velocidad frente al método de referencia con agente RPent: el resumen da una aceleración de la inferencia de 11,1× (un 91 % menos de latencia), mientras que la sección 4.6 da una reducción de 11,9× en la latencia por episodio y la fig. 14 muestra 12,0× con concurrencia 16.
Rendimiento de Z-Infra en 8 GPU A100: 22,09 episodios/min con concurrencia 16, 7,7× el arnés sin Z-Infra (2,88) y 12,8× RPent (1,72), hasta 35,1 episodios/min con concurrencia 64; la cifra de 20,6× de la introducción compara esos 35,1 con los 1,7 de RPent.

Limitaciones

Todos los experimentos son en simulación (LIBERO-Pro y RoboCasa sobre MuJoCo/robosuite); los autores dejan para trabajo futuro la extensión a robots reales y la brecha sim-to-real.
Los autores afirman que los resultados valen con su presupuesto de ejecuciones actual y que la autoevolución escala el éxito hacia el techo de capacidad de la política congelada, no más allá.
Las tablas de los bancos de pruebas comparan solo con las políticas base congeladas; el único método de referencia de agente encarnado es RPent, usado para latencia y rendimiento, y el artículo no indica qué modelo de lenguaje ejecuta el orquestador y los agentes evolutivos.
Las cifras principales dependen de la elección de lo que se informa: el 90,8 % en LIBERO-Pro cubre los conjuntos Goal, mientras que la media global de LIBERO-Pro, incluido LIBERO-10, es del 71,13 %.
El diagnóstico se apoya en datos internos del simulador, como las fuerzas de contacto, los estados internos y los predicados oficiales de las tareas, que un despliegue real quizá no exponga de la misma forma.

Impacto en el campo

Hugging Face daily papers: 140 votos positivos, dentro del 5 % superior de los artículos de robótica de ese sitio en los últimos seis meses. El artículo ofrece una página del proyecto; no indica que se publique el código.

Resumen

Los agentes encarnados se usan cada vez más para cerrar la brecha que dejan los modelos de política de extremo a extremo. Sin embargo, la vía agéntica no ha logrado un aprendizaje en lazo cerrado en la ejecución física: los arneses existentes siguen siendo en gran medida de lazo abierto, siguen habilidades fijas durante la ejecución y reflexionan solo después de que termina un episodio. Esa reflexión a posteriori no puede gobernar la ejecución a medida que se desarrolla, porque la interacción física requiere decisiones que sigan estados robot-entorno que cambian rápidamente, a una frecuencia que supera a los grandes modelos agénticos actuales. Presentamos Zetta, un arnés encarnado de lazo cerrado que hace evolucionar en línea críticos en tiempo de ejecución y habilidades de recuperación basados en código, manteniendo congelada la política base. Mediante tres bucles con escalas temporales separadas, Zetta proporciona gobierno a la frecuencia de acción, propuesta de crítico-recuperación a nivel de ejecución y actualizaciones de habilidades condicionadas a validación. Junto con Z-Infra, una infraestructura de ejecución que desacopla la lógica del agente de recursos de ejecución heterogéneos, Zetta alcanza un éxito de estado del arte en LIBERO-Pro y RoboCasa con nuestro presupuesto de ejecuciones actual, llegando al 90,8 % y al 93,6 %, con una aceleración de la inferencia de 11,1×; el éxito sigue escalando con la experiencia de autoexploración; las habilidades aprendidas se transfieren sin ejemplos (zero-shot) y surgen claros "Aha Moments" robóticos. Estos resultados muestran que la autoevolución de arneses en lazo cerrado abre una vía de escalado para una inteligencia física fiable.

Enlaces

arXiv 2608.16590: https://arxiv.org/abs/2608.16590
PDF: https://arxiv.org/pdf/2608.16590v1
Página del proyecto: https://air-embodied-brain.github.io/zetta