Zetta ζ: 자가 진화 물리적 지능을 위한 효율적인 폐루프 체화 프레임워크

초록

체화된 에이전트(embodied agent)는 종단간(end-to-end) 정책 모델이 남긴 한계를 메우기 위해 점점 더 많이 활용되고 있다. 그러나 에이전트적 접근은 물리적 실행에서 폐루프 학습(closed-loop learning)을 실현하지 못했다. 기존의 하네스(harness)는 대체로 개루프(open-loop)로 유지되어, 롤아웃 중에는 고정된 스킬을 따르고 에피소드가 끝난 후에만 반성한다. 이러한 사후 반성은 실행이 진행되는 동안 이를 제어할 수 없는데, 물리적 상호작용은 오늘날의 대형 에이전트 모델이 감당할 수 있는 빈도를 넘어서는 속도로 변화하는 로봇-환경 상태를 추적하는 결정을 요구하기 때문이다. 우리는 기본 정책을 동결시킨 채 코드 기반 런타임 비평가(critic)와 복구 스킬을 온라인으로 진화시키는 폐루프 체화 하네스인 Zetta를 제시한다. 세 가지 시간 척도로 분리된 루프를 통해 Zetta는 행동 빈도 제어, 롤아웃 수준의 비평가-복구 제안, 검증 게이트를 적용한 스킬 업데이트를 제공한다. Zetta는 에이전트 로직을 이기종 실행 자원으로부터 분리하는 롤아웃 인프라인 Z-Infra와 함께, 현재 롤아웃 예산 하에서 LIBERO-Pro와 RoboCasa에서 최첨단 성공률을 달성하여 각각 90.8%와 93.6%에 도달하고 11.1배의 추론 속도 향상을 보인다. 성공률은 자기 탐험 경험에 따라 계속 확장되며, 학습된 스킬은 제로샷으로 전이되고, 명확한 로봇의 ‘아하 순간(Aha Moment)’이 나타난다. 이러한 결과는 폐루프 하네스의 자기 진화가 신뢰할 수 있는 물리적 지능을 위한 확장 경로를 연다는 것을 보여준다.

English

Embodied agents are increasingly used to close the gap left by end-to-end policy models. Yet the agentic path has not realized closed-loop learning in physical execution: existing harnesses remain largely open-loop, following fixed skills during rollout and reflecting only after an episode completes. Such post-hoc reflection cannot govern execution as it unfolds, because physical interaction requires decisions to track rapidly changing robot-environment states at a frequency beyond today's large agentic models. We present Zetta, a closed-loop embodied harness that evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Through three timescale-separated loops, Zetta provides action-frequency governance, rollout-level critic-recovery proposal, and validation-gated skill updates. Together with Z-Infra, a rollout infrastructure decoupling agent logic from heterogeneous execution resources, Zetta achieves state-of-the-art success on LIBERO-Pro and RoboCasa under our current rollout budget, reaching 90.8% and 93.6%, with an 11.1x inference speedup; success continues to scale with self-exploration experience; learned skills transfer zero-shot, and clear robotic "Aha Moments" emerge. These results show that closed-loop harness self-evolution opens a scaling path for reliable physical intelligence.