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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

Um VLA congelado é envolvido por críticos e habilidades de recuperação baseados em código que agentes diagnosticam, reparam e validam a partir de rollouts simulados com falha, elevando o sucesso no RoboCasa de 73,6% para 93,6%.

Por que importa

Mostra uma forma de aumentar a confiabilidade de uma política de manipulação pré-treinada sem retreinar seus pesos: detectar em código estados de falha física, como perda de preensão ou transporte travado, e executar recuperações direcionadas. Os pares crítico-recuperação aprendidos são definidos sobre geometria relativa aos objetos e predicados de contato, por isso se transferem para tarefas relacionadas, e o artigo trata a vazão de rollouts como o limite de velocidade dessa melhoria.

Problema

Políticas VLA e de mundo-ação rodam em malha aberta na inferência, então um escorregão ou uma pequena colisão pode se desdobrar em falha da tarefa. Harnesses de agentes baseados em modelos de linguagem refletem apenas depois que um episódio termina, porque modelos grandes não conseguem decidir na frequência de ação, e a reflexão a posteriori não pode testar alternativas nem ver o estado exato da falha. O aprendizado por autoexploração é ainda limitado pela velocidade com que rollouts podem ser gerados.

Solução proposta

A política base (π0.5 ou GR00T N1.5) e um agente orquestrador permanecem fixos enquanto evolui um harness de críticos em tempo de execução baseados em código, manuais de recuperação e ferramentas. Os críticos rodam na frequência de ação e propõem intervenções que o orquestrador aprova; agentes offline agrupam rollouts com falha pelo primeiro marco não atingido e pela divergência mais precoce em relação às execuções bem-sucedidas, diagnosticam a causa raiz de cima para baixo, da lógica de avaliação aos parâmetros de controle, escrevem um patch mínimo com um contrato de reentrada para devolver o controle e só o admitem depois que ele corrige todas as sementes de seu grupo e se mantém em sementes reservadas. O Z-Infra, construído sobre o Ray, separa os workers de ambiente dos workers de modelo em GPU com inferência em lote, particionamento VLM/especialista de ações e quantização opcional.

Principais ideias

Críticos baseados em código conseguem monitorar a execução na frequência de ação, deixando para o lento agente de modelo de linguagem a aprovação de intervenções e o diagnóstico offline.
Diagnosticar falhas de cima para baixo (avaliação, crítico, estado, planejamento, recuperação e, por fim, parâmetros) e aplicar o patch na camada mais alta que corrige a falha evita sobreajustar parâmetros de baixo nível a uma única falha.
Os ganhos muitas vezes chegam de forma abrupta quando o agente encontra o verdadeiro gargalo físico, como a retenção da preensão ou a geometria de aproximação, depois que correções sintomáticas anteriores estagnam.
Pares crítico-recuperação definidos sobre geometria relativa aos objetos e predicados de contato genéricos se transferem sem exemplos (zero-shot) para tarefas relacionadas.
Referências com o agente no loop que chamam um LLM a cada ponto de decisão são lentas; invocar agentes apenas offline e executar críticos online reduz a latência por episódio.

Principais resultados

RoboCasa, 18 tarefas Atomic-Seen com o GR00T N1.5 como base congelada: o sucesso em macromédia subiu de 73,56% para 93,56% em quatro rodadas de reparo (78,71%, 84,85%, 90,54%, 93,56%), avaliado em 50 sementes reservadas por tarefa.
LIBERO-Pro com o π0.5 como base congelada: Goal (T) subiu de 31,0% para 92,5% e Goal (S) de 38,0% para 89,0%; os 90,8% do resumo são a média dessas duas configurações Goal, enquanto a média geral da Tabela 3, incluindo o LIBERO-10, é 71,13% (a partir de 32,00%), com LIBERO-10 (T) de 50,0% para 63,0% e (S) de 9,0% para 40,0%.
Transferência sem exemplos de habilidades aprendidas no PnP-Stove: PnP-Sink de 58% para 82%, PnP-Cabinet de 62% para 80%, PnP-Toaster de 72% para 90%; habilidades do TurnOffStove elevaram três tarefas articuladas de uma média de 64% para 80%.
Ganhos abruptos: Goal-T2 (garrafa de vinho na tigela) foi de 10% para 15% após uma correção inicial e depois para 95% quando um crítico de retenção da preensão foi adicionado; Goal-S6 (cream cheese) foi de 5% para 90%.
Velocidade em relação à referência de agente RPent: o resumo dá uma aceleração de inferência de 11,1× (91% menos latência), enquanto a Seção 4.6 dá uma redução de 11,9× na latência por episódio e a Fig. 14 mostra 12,0× com concorrência 16.
Vazão do Z-Infra em 8 GPUs A100: 22,09 episódios/min com concorrência 16, 7,7× o harness sem Z-Infra (2,88) e 12,8× o RPent (1,72), chegando a 35,1 episódios/min com concorrência 64; o número de 20,6× da introdução compara esses 35,1 com os 1,7 do RPent.

Limitações

Todos os experimentos são em simulação (LIBERO-Pro e RoboCasa sobre MuJoCo/robosuite); os autores deixam para trabalhos futuros a extensão a robôs reais e a lacuna sim-to-real.
Os autores afirmam que os resultados valem sob seu orçamento atual de rollouts e que a autoevolução escala o sucesso rumo ao teto de capacidade da política congelada, e não além dele.
As tabelas de benchmark comparam apenas com as políticas base congeladas; a única referência de agente incorporado é o RPent, usado para latência e vazão, e o artigo não diz qual modelo de linguagem roda o orquestrador e os agentes evolutivos.
Os números principais dependem da escolha do que se relata: os 90,8% no LIBERO-Pro cobrem as suítes Goal, enquanto a média geral do LIBERO-Pro incluindo o LIBERO-10 é 71,13%.
O diagnóstico depende de dados internos do simulador, como forças de contato, estados internos e predicados oficiais das tarefas, que uma implantação real pode não expor da mesma forma.

Impacto na área

Hugging Face daily papers: 140 votos positivos, entre os 5% melhores artigos de robótica ali nos últimos seis meses. O artigo indica uma página do projeto; não informa a publicação do código.

Resumo

Agentes incorporados são cada vez mais usados para fechar a lacuna deixada pelos modelos de política de ponta a ponta. No entanto, o caminho agêntico ainda não realizou o aprendizado em malha fechada na execução física: os harnesses existentes continuam em grande parte em malha aberta, seguindo habilidades fixas durante o rollout e refletindo apenas depois que um episódio termina. Essa reflexão a posteriori não consegue governar a execução enquanto ela se desenrola, porque a interação física exige decisões que acompanhem estados robô-ambiente que mudam rapidamente, a uma frequência além da dos grandes modelos agênticos atuais. Apresentamos o Zetta, um harness incorporado de malha fechada que evolui online críticos em tempo de execução e habilidades de recuperação baseados em código, mantendo a política base congelada. Por meio de três laços com escalas de tempo separadas, o Zetta fornece governança na frequência de ação, proposta de crítico-recuperação no nível do rollout e atualizações de habilidades condicionadas à validação. Junto com o Z-Infra, uma infraestrutura de rollout que desacopla a lógica do agente de recursos de execução heterogêneos, o Zetta alcança sucesso de estado da arte no LIBERO-Pro e no RoboCasa com nosso orçamento atual de rollouts, chegando a 90,8% e 93,6%, com uma aceleração de inferência de 11,1×; o sucesso continua a escalar com a experiência de autoexploração; as habilidades aprendidas se transferem sem exemplos (zero-shot), e surgem claros "Aha Moments" robóticos. Esses resultados mostram que a autoevolução de harnesses em malha fechada abre um caminho de escalonamento para uma inteligência física confiável.

Open Source Robotics