Zetta ζ：一种用于自我进化物理智能的高效闭环具身框架
摘要
Zetta引入了一个闭环具身框架，该框架演化运行时评估器和恢复技能，以实时控制物理执行，在机器人基准测试上取得了最先进的成功率，同时实现了显著的推理加速和自我进化。
查看缓存全文
缓存时间: 2026/08/20 04:01
论文页面 - Zeta ζ：用于自演化物理智能的高效闭环具身框架
来源：https://huggingface.co/papers/2608.16590
发布于 8月17日
#3 今日热门论文 (https://huggingface.co/papers/date/2026-08-20)
作者：
，
，
，
，
，
，
，
，
，
，
，
，
，
摘要
Zeta 是一个闭环具身框架，它在线演化运行时评估器和恢复技能，以动作频率引导物理执行，在机器人基准测试中以更快的推理速度和可扩展的自我探索实现了高成功率。
具身智能体正被日益广泛地用于弥合端到端策略模型留下的空白。然而，智能体路径尚未在物理执行中实现闭环学习：现有框架在很大程度上仍是开环的，在执行过程中遵循固定技能，并在一次情节结束后才进行反思。这种事后反思无法在执行过程中进行引导，因为物理交互需要决策以超越当前大型智能体模型所能达到的频率，快速追踪变化的机器人-环境状态。我们提出了 Zeta，一个闭环具身框架 (https://huggingface.co/papers?q=closed-loop%20embodied%20harness)，它在线演化基于代码的运行时评估器 (https://huggingface.co/papers?q=code-based%20runtime%20critics) 和恢复技能 (https://huggingface.co/papers?q=recovery%20skills)，同时保持基础策略冻结。通过三个时间尺度分离的循环，Zeta 提供了动作频率引导 (https://huggingface.co/papers?q=action-frequency%20governance)、情节级评估-恢复 (https://huggingface.co/papers?q=rollout-level%20critic-recovery) 提案以及验证门控技能更新 (https://huggingface.co/papers?q=validation-gated%20skill%20updates)。结合 Z-Infra (https://huggingface.co/papers?q=Z-Infra)——一种将智能体逻辑与异构执行资源解耦的执行基础设施，Zeta 在我们当前的执行预算内，在 LIBERO-Pro (https://huggingface.co/papers?q=LIBERO-Pro) 和 RoboCasa (https://huggingface.co/papers?q=RoboCasa) 上实现了最先进的成功率，分别达到 90.8% 和 93.6%，推理速度提升了 11.1 倍；成功率随着自我探索 (https://huggingface.co/papers?q=self-exploration) 经验的积累持续扩展；学习到的技能可实现零样本迁移，并出现了明确的机器人“顿悟时刻”。这些结果表明，闭环框架的自我演化为可靠的物理智能开辟了一条扩展路径。
查看 arXiv 页面 (https://arxiv.org/abs/2608.16590) 查看 PDF (https://arxiv.org/pdf/2608.16590) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.16590)
通过你的智能体获取此论文：
hf papers read 2608.16590
没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型 0
没有模型链接此论文
在模型 README.md 中引用 arxiv.org/abs/2608.16590 以从此页面链接它。
引用此论文的数据集 0
没有数据集链接此论文
在数据集 README.md 中引用 arxiv.org/abs/2608.16590 以从此页面链接它。
引用此论文的空间 0
没有空间链接此论文
在空间 README.md 中引用 arxiv.org/abs/2608.16590 以从此页面链接它。
包含此论文的收藏夹 0
没有收藏夹包含此论文
将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从此页面链接它。
相似文章
@akshay_pachaar: 自进化框架现已推出。(100% 开源) 如今，你选择一个固定框架，每个任务都通过它运行。一个……
JIT-Agent 是一个开源的 27B 模型，它为 AI 代理动态生成任务特定的框架，通过改进的 token 效率超越手工构建的系统。
@sethkarten: https://x.com/sethkarten/status/2072034978112889328
Continual Harness 是一种无需重置、自我改进的智能体框架，通过存储记忆、复用技能和优化提示，在 ARC-AGI-3 上以 774 美元的成本达到了 20.54% 的准确率，以更高的效率超越了 Hermes 和 OpenClaw 等先前基准。
@NFTCPS: HarnessX这玩意儿挺有意思：一个能自己改自己的智能体架构。 以前架构怎么变，全靠人手调。新模型一出，Anthropic就把Claude Code里的规划步骤砍了，Manus半年重构了五次智能体，每次都在做减法。改什么、什么时候改，一…
HarnessX introduces a framework for self-evolving AI agent harnesses that treats the runtime harness as a first-class object, enabling automatic adaptation via trace-driven reinforcement learning. It achieves average gains of +14.5% across five benchmarks, with larger improvements for weaker models.
@AlphaSignalAI: https://x.com/AlphaSignalAI/status/2074130508833845396
自我改进的机制使AI代理能够通过分析执行轨迹自主重写其运行规则，从而实现60%的性能提升。来自上海AI实验室的研究引入了Self-Harness框架，使得轻量级模型能够在无需人工工程的情况下超越更大规模的模型。
@dair_ai: 关于自进化代理框架的精彩论文。自进化代理框架有两个实际问题：1. 搜索很慢…
论文提出了 Ecdysis，一个用于训练LLM代理运行时框架的框架，它通过识别重复的失败模式来提高效率和准确性，实现了1.84倍更快的训练和18.56%更高的推理准确性。