Cao Ting (AIR de Tsinghua) sobre ICL encarnado: extracción causal ICCL, cerebro en dispositivo y límites del postentrenamiento
El 12 de noviembre de 2026, Leiphone publicó una entrevista con Cao Ting, profesora del Instituto de Investigación de Industria Inteligente de la Universidad de Tsinghua y cofundadora y CTO de Yubianhuan. Ella afirma que el aprendizaje en contexto encarnado tiene tres rutas; su equipo sigue ICCL (aprendizaje causal en contexto) y usa un extractor acción-efecto entrenado en dos etapas para convertir datos en primera persona sin anotaciones en señales de supervisión de acciones; también afirma que los escenarios domésticos dependen de la generalización por ICL y que las líneas de fábrica siguen dependiendo de postentrenamiento con pocos datos para mantener la precisión. El reportaje no menciona pesos abiertos, licencias ni API.

Qué ha cambiado
El reportaje señala al comienzo que a principios del otoño de este año aparecieron de forma intensiva trabajos como Skild S1, Generalist GEN-1.5 y RoboTTT, que llevaron el aprendizaje en contexto al ámbito encarnado. Según la entrevista, el ICL en el ámbito encarnado tiene actualmente tres rutas: la primera espera que la capacidad emerja en línea como en los modelos de lenguaje, y el reportaje pone a Generalist como ejemplo; la segunda es el entrenamiento explícito, en el que el modelo predice directamente la siguiente acción a partir de una indicación de vídeo, y el reportaje pone a Skild como ejemplo; la tercera es ICCL (aprendizaje causal en contexto), propuesto por el equipo de Cao Ting. El punto de partida de ICCL es que en los vídeos hay personas en movimiento, objetos irrelevantes y reflejos, y al modelo le cuesta extraer de ahí información de acción, por lo que añade un módulo extractor de acción-efecto que solo introduce en el contexto la acción y el efecto que produce. Según la entrevista, el primer Zeva del equipo partió de Cosmos, pero el método no depende del modelo base y puede usarse tanto con World Model como con VLA; después, Zeva-Ego se basa en VLA y usa datos en primera persona (ego) para el entrenamiento intermedio. El extractor causal se entrena en dos etapas: en la primera, una red especializada aprende cambios del entorno no relacionados con la acción; en la segunda, con la representación del entorno de la etapa anterior, extrae solo información relacionada con la acción y convierte los datos ego sin anotaciones de acción en señales de supervisión. La escala que da el reportaje es de 10.000 horas de datos ego sin anotaciones; los datos abiertos necesitan limpieza y, tras limpiarlos, solo se conserva aproximadamente una décima parte. En la cronología, el reportaje afirma que Z0 se publicó en junio, que Zetta, que cumple el papel de harness, se publicó el 18 de agosto, que Zeva se publicó el 1 de septiembre al mismo tiempo que Skild, Generalist y otros, que Zeva-Ego apareció en un mes y que próximamente se publicará un nuevo trabajo que reincorpora datos recogidos por los propios robots para volver a entrenar el modelo base. También describe la memoria en dos capas: la memoria de trabajo (working memory) que ejecuta la tarea actual y la memoria a largo plazo entre tareas, recuperable y reutilizable; y afirma que su definición de PSI (autoevolución del mundo físico) es un bucle cerrado: el aprendizaje en línea acumula datos de éxito y fracaso, los datos vuelven a entrenar el modelo y, cuando el modelo base se vuelve más fuerte, acumula datos más rápido. En arquitectura, el equipo trabaja en dos capas: destila parte de las capacidades encarnadas en un VLM pequeño, entrenado hasta decenas de B de parámetros, y Cao Ting afirma que el efecto no es básicamente distinto del de modelos mayores; este modelo pequeño actúa como cerebro en el dispositivo y se encarga de entender las instrucciones del usuario, descomponer tareas de largo horizonte, monitorizar la ejecución de la tarea, generar acciones de recuperación y llamar a herramientas y modelos de la capa inferior; la capa inferior son modelos del mundo y VLA como Zeva y Zeva-Ego, y Zetta está del lado del agente o del harness. Su juicio sobre que los modelos grandes hagan control directamente es la latencia: cuando el modelo devuelve el resultado, el estado del entorno puede haber cambiado ya, y además los modelos grandes buscan el límite de capacidad, por lo que es difícil reducir el coste del proceso de pensamiento y de la transmisión por red. La entrevista también reproduce el criterio del informe de Skild, según el cual en tareas no vistas la tasa de éxito por pasos de ICL es solo algo más del 60%.
Impacto para desarrolladores
Para los desarrolladores que trabajan con modelos encarnados y canalizaciones de datos, el impacto más directo de estas afirmaciones está en el lado de los datos. La extracción causal en dos etapas descrita en el reportaje convierte vídeo en primera persona sin anotaciones en señales de supervisión de acciones, y desplaza el centro de gravedad del presupuesto desde el etiquetado hacia la limpieza y la extracción; pero “solo se conserva una décima parte” es un valor empírico de la entrevistada, no una constante universal: si tus datos ego proceden de fuentes más heterogéneas y tienen menor densidad de acciones, debes medir primero tanto la tasa de conservación como la eficacia. Una forma viable de comprobar este paso es fijar un conjunto pequeño de tareas no vistas con fondos desordenados y comparar la tasa de éxito por pasos con y sin el extractor, así como el número de intentos desde el primero hasta el éxito; la referencia que da el reportaje es la afirmación del equipo de que basta con uno o dos intentos, frente a cinco o seis del modelo de comparación, lo cual es una magnitud autodeclarada y solo puede tomarse como referencia. Según el informe de Skild reproducido en la entrevista, en tareas no vistas la tasa de éxito por pasos de ICL es solo algo más del 60%; esta cifra es una reproducción de un informe de terceros y, si se quiere usar como umbral, conviene volver al informe original para verificarla. El criterio de evaluación debe separarse según el escenario. El reportaje sitúa el ICL en el lado de tareas que cambian con frecuencia y exigen generalización, y el postentrenamiento en el lado de formas fijas que exigen más del 99% de precisión y baja latencia; esto equivale a decir que el mismo conjunto de modelos tiene criterios de aceptación distintos en cada lado: el primero mira la tasa de éxito en tareas no vistas y el número de intentos, el segundo mira la precisión y la latencia por paso, y no se pueden refutar mutuamente con la misma hoja de resultados. La latencia determina la estructura por capas. El reportaje dice claramente que un modelo grande pueda entender tareas, planificar pasos y llamar herramientas no equivale a que tenga capacidad fiable de ejecución física, y que tanto la latencia en el dispositivo como el coste de red son difíciles de comprimir; por eso el equipo destila capacidades en un VLM pequeño de decenas de B en el dispositivo, lo usa como cerebro y deja la operación en tiempo real a los modelos del mundo y VLA de la capa inferior. Para los desarrolladores, esto convierte “planificar en la nube o en local” de una cuestión de preferencia en una cuestión de presupuesto de latencia: si el bucle de control exige respuesta rápida, merece la pena refutar primero con latencia extremo a extremo cada paso en el que un modelo grande en la nube participe en el bucle. El último punto es la deriva de comportamiento que provoca el retorno de datos. El reportaje afirma que los datos volverán por completo y que próximamente se entrenarán datos recogidos por los propios robots de vuelta en el modelo base; una vez que ese tipo de bucle cerrado entre en producción, el comportamiento del modelo seguirá cambiando con el despliegue. Esto es una inferencia a partir del reportaje, no un hecho del reportaje: sin fijación de versiones ni pruebas de regresión, el rendimiento en línea puede cambiar en días en los que no hayas tocado el código, y definir de antemano el criterio de observación y los mecanismos de reversión ahorra trabajo frente a atribuir causas a posteriori.
Integración y evaluación
Las tres afirmaciones siguientes son recomendaciones y análisis condicionales basados en el reportaje, no hechos del reportaje, y no implican que el enfoque del equipo tenga que funcionar en tu escenario. Decisión uno: tomar como ruta principal la demostración en contexto en línea o el postentrenamiento. El cambio que describe el reportaje es que la industria pasa de fábricas de recolección de datos fuera de línea al aprendizaje en contexto en línea tras el despliegue, y Cao Ting afirma que por muchos datos fuera de línea que se recojan no se cubren todas las situaciones del mundo real. La elección es si conectar primero las demostraciones en línea y la canalización de contexto al bucle, o hacer primero una ronda de postentrenamiento con pocos datos. Los factores que la activan son la frecuencia de cambio de las tareas, si el sitio puede proporcionar demostraciones de forma estable y los requisitos de precisión: si la tarea cambia en cada turno y se permite probar y equivocarse, sale más a cuenta empezar con la canalización de contexto; si la forma de la tarea es fija y exige más del 99% de precisión y baja latencia, el reportaje dice que recoger primero unos cientos de datos y hacer postentrenamiento sigue siendo la forma más económica y fiable. Los criterios cuantificables son la tasa de éxito por pasos en tareas no vistas sobre un conjunto de prueba propio con fondos desordenados y el número de intentos necesarios para el primer éxito, tomando el “algo más del 60%” de la reproducción de terceros como referencia inferior, no como objetivo. Decisión dos: si conviene construir primero la extracción de acción-efecto y la limpieza de datos. El cambio que describe el reportaje es que se usa un extractor causal en dos etapas para convertir datos ego sin anotaciones en señales de supervisión de acciones, y el equipo usó 10.000 horas de datos sin anotaciones. La elección es invertir en el extractor y la canalización de limpieza, o invertir directamente en anotación. El requisito previo es que ya tengas una gran cantidad de vídeo en primera persona sin anotaciones y que aceptes una tasa de conservación del orden de una décima parte tras la limpieza; si no se cumplen estas dos condiciones, la premisa de la ruta no se sostiene, y es más práctico empezar con anotación manual o cambiar a datos con anotaciones de acciones. Los criterios cuantificables son el número de muestras utilizables tras la limpieza y la extracción, el incremento en la tasa de éxito en tareas no vistas posteriores y si la tasa de éxito con fondos desordenados es claramente superior a la línea base sin extracción. Decisión tres: según el reparto que describe el reportaje, usar el modelo pequeño en el dispositivo como cerebro de la capa superior, en lugar de poner la comprensión de largo horizonte en un modelo grande en la nube. El cambio que describe el reportaje es destilar parte de las capacidades encarnadas en un VLM pequeño de decenas de B como cerebro en el dispositivo, encargado de entender instrucciones, descomponer tareas de largo horizonte, monitorizar la ejecución y generar acciones de recuperación, mientras que los modelos del mundo y VLA de la capa inferior se encargan de la operación real, porque el proceso de pensamiento de los modelos grandes y el coste de transmisión por red dificultan satisfacer el control en tiempo real. La elección es diseñar según esta división en capas de “cerebro en el dispositivo más modelos de ejecución en la capa inferior”, o seguir usando un modelo grande en la nube para la planificación dentro del bucle. Los factores que la activan son la sensibilidad del bucle de control a la latencia y las condiciones de red del sitio: cuanto más pesadas sean las tareas de operación que exigen respuesta rápida, más conviene verificar primero si el cerebro en el dispositivo alcanza una capacidad aceptable; si el ritmo de la tarea es lento y la replanificación tolera idas y vueltas de segundos, puede que no sea necesario sustituir la solución en la nube. Los criterios cuantificables son la latencia extremo a extremo del mismo bucle de control (especialmente la latencia en percentiles altos) y la tasa de éxito de recuperación cuando, tras un fallo de ejecución, el cerebro genera acciones de recuperación y hace que la tarea siga avanzando. Hay que añadir que “el efecto de un modelo pequeño de decenas de B no es básicamente distinto del de modelos mayores” es una afirmación de la entrevistada y conviene adoptarla solo después de compararla en tu propio conjunto de tareas.
Límites y cuestiones pendientes
Este reportaje es una transcripción de entrevista y casi todos los resultados que cita son versiones del equipo o reproducciones de segunda mano: que “el efecto es mejor” en conjuntos de evaluación públicos, que “se puede levantar en uno o dos intentos” y que entrenar un VLM pequeño hasta decenas de B “no supone básicamente ninguna diferencia en el efecto” no incluyen nombre del conjunto de evaluación, lista de líneas base ni script de reproducción; el “más del 60%” de Skild procede de una reproducción del entrevistado y pertenece a una versión de segunda mano. Las tres rutas de ICL son una división de la entrevistada, no un marco de evaluación unificado del sector. Que tras la limpieza solo se conserve una décima parte es un valor empírico autodeclarado, y las reglas concretas y la composición de los datos no se han hecho públicas. En la entrevista hay además mucho contenido personal e industrial, como el currículum de la investigadora, recursos de departamentos, financiación de otras empresas y que el equipo tiene unas 20 personas y está formado principalmente por doctorandos; nada de esto tiene relación con la capacidad del modelo y no puede usarse como base para elegir. En cuanto a disponibilidad, el reportaje solo habla de artículos y métodos: no indica si Z0, Zeva, Zeva-Ego, Zetta o Z-infra abren sus pesos, qué licencia usan, ni ofrece interfaces invocables, formatos de entrada y salida o hardware mínimo de despliegue; los pesos abiertos y las licencias de código abierto son dos cosas distintas y deben verificarse por separado. Hay que dejar claro que estas versiones no aparecen actualmente en el catálogo de modelos de KimiSeek, y este reportaje tampoco menciona información sobre puesta en marcha de ninguna API; si más adelante aparecen interfaces relacionadas, su disponibilidad y condiciones corresponden al fabricante y hay que atenerse a sus anuncios. El nuevo trabajo de “próxima publicación” que menciona Cao Ting aún no se había anunciado cuando se redactó este texto, y ni su capacidad ni su alcance de apertura pueden verificarse.
Ilustraciones de la noticia original











