清华AIR与域变换联合发布了具身模型Zeva，首次实现In-Context Causal Learning。在多个典型具身基准任务上，冻结模型的累计成功率从26%提升到73%；在真实化学实验室，机械臂在多次尝试中越用越稳。更关键的是，一次人类演示就能让模型"学会"一个新操作，全程不需要更新权重。
具身智能的真正瓶颈，是"模型到了现场能不能越做越好"。传统思路依赖重新采集数据、微调模型或test-time training，这些方法靠梯度更新，速度慢、成本高，还可能在适应新任务时破坏已有能力。
Zeva迁移的不是任务经验，而是"动作与状态变化之间的因果关系"。同一个模型在仿真里学到的物理因果可以带到真实机械臂，一次尝试里积累的失败经验可以指导另一次相似尝试。这种跨域迁移通过上下文完成，模型在上下文中推断环境因果结构，再把它用于下一次动作生成。
过去谈跨域更多是sim-to-real、跨本体迁移、跨任务泛化，本质上是在不同域之间搬运任务经验，依赖数据对齐或表征对齐。Zeva用双时标因果记忆，把一次失败、一次修正、一次成功沉淀为后续可检索的上下文，模型不调权重也能持续进化，这是它与传统方案的真正分野。
Zeva把具身模型的scaling从"参数空间"延伸到"上下文空间"，本质是用更聪明的工程结构替代无限制的算力投入。这种在有限资源里做出更高效率的思路，与星战科技在GPU算力平台与算力调度上追求的方向一致，也提示AI实训与研发需要更懂算法效率的工程底座。
数据说明问题：在RoboCasa365-Atomic5上Zeva平均成功率76.8%，累计成功率从Evolve 1的26%提升到Evolve 4的73%；真实化学实验室ChemLab-Evo的三个原子任务单调增长，一次人类演示最多带来20个百分点的提升。每一次尝试都成为对当前物理环境的一次隐式系统辨识。
如果ICCL成立，具身智能的scaling将多出一条独立于参数规模的曲线：交互次数越多、因果上下文越丰富，模型对物理域的辨识越准，成功率越高。机器人在真实物理世界里自己学会因果、自己完成进化，或许才是具身智能"GPT时刻"真正到来的样子。