📈 行业趋势AI 热点解读#具身智能#机器人#世界模型
Zeva：不更新权重也能持续学习的具身 WAM，成功率从 26% 到 73%
清华 AIR × 域变换：首个 In-Context Causal Learning 具身操作模型——从自身交互经验中持续学习。
AIAI评测 编辑部
一句话结论
清华 AIR 与域变换提出的 Zeva，是「首个 In-Context Causal Learning（ICCL）具身 WAM」：模型不更新权重，却能从自己的交互经验中持续学习，将累计成功率从 26% 提到 73%、真实实验室机械臂越用越稳——它回答的是「具身智能怎么摆脱每次任务都要重训」。
三个关键点
1. 为什么「权重冻结还能学」反直觉
传统学习 = 改参数；ICCL 是让模型在上下文中归纳因果、把成功经验内化到推理过程——「越用越会」不需要梯度，这是工程层面的大不同。
2. 泛化的意义
同任务成功率 26%→73%，意味着从「demo 级」向「能用级」的跨越；真实实验室的「越用越稳」指向持续运行场景（手术/制造）的可能。
3. 研究阶段提醒
单一论文 + 有限基准，尚不构成「机器自主进化」的承诺——但它是「具身 GPT 时刻」路线上值得跟踪的早期坐标。
💡 常见问题
In-Context Causal Learning 是什么？▾
让模型在不更新权重的前提下，从自己的交互经验中归纳因果关系并改进表现——「越用越会」而不靠重训。
实用性如何？▾
论文显示将冻结模型累计成功率从 26% 提升到 73%，并在真实化学实验室中机械臂越用越稳——但仍是研究早期成果。