Zetta：闭环具身框架实现自进化物理智能

具身智能体日益被用于弥补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：现有的框架大体上仍是开环的，在展开过程中遵循固定技能，并仅在一个回合结束后进行反思。这种事后反思无法在执行过程中进行管控，因为物理交互要求决策以超出当今大型智能体模型的频率，快速跟踪机器人-环境状态的变化。我们提出Zetta，一种闭环具身框架，它在线演化基于代码的运行时批评者和恢复技能，同时保持基础策略冻结。通过三个时间尺度分离的循环，Zetta提供了动作频率治理、回合级批评-恢复提议以及验证门控的技能更新。结合Z-Infra（一种将智能体逻辑与异构执行资源解耦的展开基础设施），Zetta在我们当前的展开预算下，在LIBERO-Pro和RoboCasa上达到了最先进的成功率，分别达到90.8%和93.6%，并实现了11.1倍的推理加速；成功率随着自我探索经验持续提升；学到的技能可零样本迁移，清晰的机器人“顿悟时刻”随之涌现。这些结果表明，闭环框架的自我演化开辟了一条通往可靠物理智能的扩展路径。