Cao Ting, da AIR de Tsinghua, fala sobre ICL incorporado: extração causal do ICCL, cérebro no dispositivo e limites do pós-treinamento
A Leiphone publicou em 12 de novembro de 2026 uma entrevista com Cao Ting, professora do Institute for AI Industry Research (AIR) da Universidade Tsinghua e cofundadora e CTO da Yubianhuan. Ela afirma que o aprendizado em contexto incorporado tem três rotas e que sua equipe segue o ICCL, aprendizado causal em contexto, usando um extrator ação-efeito treinado em duas fases para transformar dados em primeira pessoa sem anotação em sinais de supervisão de ações; também afirma que cenários domésticos dependem da generalização via ICL, enquanto linhas de fábrica ainda dependem de pós-treinamento com poucos dados para garantir precisão. A reportagem não menciona pesos abertos, licenças ou API.

O que mudou
A reportagem afirma, na abertura, que no início do outono deste ano trabalhos como Skild S1, Generalist GEN-1.5 e RoboTTT surgiram em ritmo intenso, trazendo o aprendizado em contexto para a área incorporada. Segundo a entrevista, o ICL incorporado hoje tem três rotas: a primeira espera que a capacidade emerja online como nos modelos de linguagem, e a reportagem cita a Generalist como exemplo; a segunda é treinamento explícito, no qual o modelo prevê diretamente a próxima ação a partir de um prompt de vídeo, com a Skild como exemplo; a terceira é o ICCL (aprendizado causal em contexto), proposto pela equipe de Cao Ting. O ponto de partida do ICCL é que vídeos contêm pessoas em movimento, objetos irrelevantes e reflexos, o que dificulta ao modelo extrair informação de ação; por isso, adiciona-se um módulo extrator ação-efeito, colocando no contexto apenas a ação e os efeitos que ela produz. Segundo a entrevista, o primeiro modelo da equipe, Zeva, partiu do Cosmos, mas o método não depende do modelo base: tanto World Model quanto VLA podem ser usados; o Zeva-Ego posterior, baseado em VLA, faz treinamento intermediário com dados em primeira pessoa (ego). O extrator causal é treinado em duas fases: na primeira, uma rede dedicada aprende mudanças de ambiente não relacionadas à ação; na segunda, com a representação de ambiente da fase anterior, extrai apenas informação relacionada à ação e converte dados ego sem anotação de ação em sinais de supervisão. A escala citada na reportagem é de 10 mil horas de dados ego sem anotação; dados de código aberto precisam de limpeza e, após a limpeza, restam cerca de apenas um décimo. Na linha do tempo, a reportagem afirma que o Z0 foi lançado em junho, o Zetta, que cumpre papel de harness, em 18 de agosto, o Zeva em 1º de setembro, junto com Skild, Generalist e outros, o Zeva-Ego apareceu dentro de um mês, e em breve será divulgado um novo trabalho que devolve dados coletados pelos próprios robôs para retreinar o modelo base. Ela também descreve a memória em duas camadas: a working memory, que executa a tarefa atual, e a memória de longo prazo entre tarefas, recuperável e reutilizável; e afirma que sua definição de PSI (auto-evolução no mundo físico) é um ciclo fechado — aprendizado online acumula dados de sucesso e fracasso, os dados retornam para retreinar o modelo, e, conforme o modelo base fica mais forte, acumula dados mais rápido. Na arquitetura, a equipe faz duas camadas: destila parte das capacidades incorporadas em um pequeno VLM, treinado até algumas dezenas de bilhões de parâmetros; Cao Ting afirma que o efeito é basicamente igual ao de modelos maiores. Esse pequeno modelo atua como cérebro no dispositivo, responsável por entender instruções do usuário, decompor tarefas de longo horizonte, monitorar a execução da tarefa, gerar ações de recuperação e chamar ferramentas e modelos da camada inferior; a camada inferior é formada por modelos de mundo e VLA como Zeva e Zeva-Ego, enquanto o Zetta fica do lado de agente ou harness. Sua avaliação sobre usar grandes modelos diretamente para controle é a latência: ao esperar o modelo retornar o resultado, o estado do local já pode ter mudado; além disso, grandes modelos buscam o limite de capacidade, e os custos do processo de raciocínio e da transmissão de rede são difíceis de reduzir. A entrevista ainda reproduz o critério do relatório da Skild, segundo o qual, em tarefas não vistas, a taxa de sucesso por passo do ICL é de apenas pouco mais de 60%.
Impacto para desenvolvedores
Para desenvolvedores que trabalham com modelos incorporados e pipelines de dados, o impacto mais direto dessas afirmações está no lado dos dados. A extração causal em duas fases descrita na reportagem transforma vídeos em primeira pessoa sem anotação em sinais de supervisão de ação, deslocando o centro do orçamento da anotação para a limpeza e a extração; mas “resta apenas um décimo” é um valor empírico da entrevistada, não uma constante universal. Se a origem dos seus dados ego for mais heterogênea e a densidade de ações for menor, a taxa de retenção e a eficácia precisam ser medidas por você. Uma forma viável de verificar essa etapa é fixar um conjunto pequeno de tarefas não vistas com fundo desorganizado e comparar a taxa de sucesso por passo com e sem o extrator, além do número de tentativas da primeira tentativa até o sucesso; a referência dada pela reportagem é o relato da equipe de que uma ou duas tentativas bastam, contra cinco ou seis do modelo comparado, o que é uma ordem de grandeza autodeclarada e só pode servir como referência. Segundo o relatório da Skild reproduzido na entrevista, a taxa de sucesso por passo do ICL em tarefas não vistas é de apenas pouco mais de 60%; esse número é uma reprodução de um relatório de terceiros e, se for usado como limite, deve ser conferido no relatório original. O critério de avaliação precisa ser separado conforme o cenário. A reportagem coloca o ICL no lado em que as tarefas mudam com frequência e se exige generalização, e o pós-treinamento no lado em que a forma é fixa e se exigem precisão superior a 99% e baixa latência; isso equivale a dizer que o mesmo conjunto de modelos tem padrões de aceitação diferentes nos dois lados: no primeiro, olha-se a taxa de sucesso em tarefas não vistas e o número de tentativas; no segundo, a precisão e a latência por passo. Não se pode usar o mesmo boletim para derrubar um lado com o outro. A latência determina a estrutura em camadas. A reportagem diz explicitamente que um grande modelo conseguir entender tarefas, planejar passos e chamar ferramentas não significa que ele tenha capacidade confiável de execução física, e que a latência no dispositivo e o custo de rede são difíceis de comprimir; por isso a equipe destila capacidades para um pequeno VLM de algumas dezenas de bilhões de parâmetros no dispositivo, deixando-o como cérebro, enquanto a operação em tempo real fica com modelos de mundo e VLA da camada inferior. Para desenvolvedores, isso transforma “colocar o planejamento na nuvem ou no local” de uma questão de preferência em uma questão de orçamento de latência: se o loop de controle exige resposta rápida, vale a pena refutar primeiro, com latência ponta a ponta, cada passo em que um grande modelo na nuvem participa do loop fechado. O último ponto é a deriva de comportamento causada pelo retorno de dados. A reportagem afirma que os dados retornarão todos e que, em breve, dados coletados pelos próprios robôs serão usados para retreinar o modelo base; uma vez que esse tipo de ciclo fechado entra em operação, o comportamento do modelo continua mudando com a implantação. Isso é uma inferência a partir da reportagem, não um fato dela: sem fixação de versão e testes de regressão, o desempenho online pode mudar em dias nos quais você não alterou o código; definir de antemão o critério de observação e os meios de reversão é menos trabalhoso do que atribuir causas depois.
Integração e avaliação
Os três pontos a seguir são recomendações e análises condicionais baseadas na reportagem, não fatos dela, e não significam que a prática da equipe funcione necessariamente no seu cenário. Decisão um: tratar a demonstração em contexto online ou o pós-treinamento como caminho principal. A mudança apontada pela reportagem é que o setor passou de fábricas de coleta de dados offline para o aprendizado em contexto online após a implantação; Cao Ting afirma que, por mais dados offline que se coletem, eles não cobrem todas as situações do mundo real. A escolha a fazer é conectar primeiro a demonstração online e o pipeline de contexto ao loop, ou fazer antes uma rodada de pós-treinamento com poucos dados. Os gatilhos são a frequência de mudança das tarefas, se o local consegue fornecer demonstrações de forma estável e a exigência de precisão: se a tarefa muda a cada turno e o erro é permitido, começar pelo pipeline de contexto tende a compensar mais; se a forma da tarefa é fixa e se exigem precisão superior a 99% e baixa latência, a reportagem diz que coletar primeiro algumas centenas de dados e fazer pós-treinamento continua sendo o método mais econômico e confiável. O critério quantificável é a taxa de sucesso por passo em tarefas não vistas em um conjunto de teste próprio com fundo desorganizado e o número de tentativas necessárias para o primeiro sucesso, usando o “pouco mais de 60%” reproduzido de terceiros como referência de limite inferior, não como meta. Decisão dois: construir ou não primeiro a etapa de extração ação-efeito e limpeza de dados. A mudança apontada pela reportagem é usar um extrator causal em duas fases para converter dados ego sem anotação em sinais de supervisão de ação, com a equipe tendo usado 10 mil horas de dados sem anotação. A escolha a fazer é investir no extrator e no pipeline de limpeza ou investir diretamente em anotação. A premissa é que você já tenha muitos vídeos em primeira pessoa sem anotação e aceite uma taxa de retenção da ordem de um décimo após a limpeza; se essas duas condições não forem atendidas, a premissa do caminho não se sustenta, e fazer anotação manual ou mudar para dados com anotação de ação é mais realista. O critério quantificável é o número de amostras utilizáveis após limpeza e extração, o ganho na taxa de sucesso em tarefas não vistas a jusante e se a taxa de sucesso em fundo desorganizado é claramente superior à linha de base sem extração. Decisão três: segundo a divisão descrita na reportagem, usar o pequeno modelo no dispositivo como cérebro da camada superior, em vez de colocar a compreensão de longo horizonte em um grande modelo na nuvem. A mudança apontada pela reportagem é destilar parte das capacidades incorporadas em um pequeno VLM de algumas dezenas de bilhões de parâmetros como cérebro no dispositivo, responsável por entender instruções, decompor tarefas de longo horizonte, monitorar a execução e gerar ações de recuperação, com modelos de mundo e VLA da camada inferior responsáveis pela operação real; o motivo é que o processo de raciocínio dos grandes modelos e o custo de transmissão de rede dificultam atender ao controle em tempo real. A escolha a fazer é projetar segundo essa divisão em camadas de “cérebro no dispositivo mais modelos de execução na camada inferior” ou continuar usando um grande modelo na nuvem para o planejamento dentro do loop fechado. Os gatilhos são a sensibilidade do loop de controle à latência e as condições de rede no local: quanto mais pesada for a tarefa de operação que exige resposta rápida, mais se deve verificar primeiro se o cérebro no dispositivo atinge uma capacidade aceitável; se o ritmo da tarefa for lento e o replanejamento puder tolerar ida e volta de nível de segundo, a solução na nuvem não precisa necessariamente ser substituída. O critério quantificável é a latência ponta a ponta do mesmo loop de controle (especialmente a latência em percentis altos) e a taxa de sucesso de recuperação quando, após uma falha de execução, o cérebro gera ações de recuperação e faz a tarefa continuar avançando. Cabe acrescentar que “um pequeno modelo de algumas dezenas de bilhões de parâmetros tem efeito basicamente igual ao de modelos maiores” é um relato da entrevistada e só deve ser adotado depois que você comparar no seu próprio conjunto de tarefas.
Limites e pontos a confirmar
Esta reportagem é uma organização de entrevista, e quase todos os resultados citados são versões da equipe ou reproduções de segunda mão: “efeito melhor” em conjuntos de avaliação públicos, “consegue levantar em uma ou duas tentativas” e treinar o pequeno VLM até algumas dezenas de bilhões de parâmetros com “efeito basicamente igual” não trazem nome do conjunto de avaliação, lista de linhas de base ou script de reprodução; o “pouco mais de 60%” da Skild é reproduzido pela entrevistada e pertence a uma versão de segunda mão. As três rotas de ICL são uma divisão da entrevistada, não um quadro de avaliação unificado do setor. A retenção de apenas um décimo após a limpeza é um valor empírico autodeclarado, e as regras concretas e a composição dos dados não foram divulgadas. A entrevista também contém muito conteúdo sobre pessoas e indústria, como o currículo da pesquisadora, recursos do departamento, financiamento de outras empresas e o fato de a equipe ter cerca de 20 pessoas, principalmente doutorandos; isso não tem relação com a capacidade do modelo e não pode servir de base para escolha. Em termos de disponibilidade, a reportagem trata apenas de artigos e métodos, sem dizer se Z0, Zeva, Zeva-Ego, Zetta e Z-infra têm pesos abertos, qual licença adotam, nem fornecer interface chamável, formato de entrada e saída ou hardware mínimo de implantação; pesos abertos e licença de código aberto são duas coisas distintas e precisam ser verificados separadamente. É preciso deixar claro que essas versões atualmente não estão listadas no catálogo de modelos do KimiSeek, e esta reportagem também não menciona qualquer informação de lançamento de API; se interfaces relacionadas surgirem depois, sua disponibilidade e seus termos pertencem ao fornecedor e devem seguir os anúncios do fornecedor. O novo trabalho de “lançamento recente” mencionado por Cao Ting ainda não havia sido divulgado quando este texto foi escrito, e nem sua capacidade nem seu escopo de abertura podem ser verificados.
Ilustrações da notícia original











