Zetta의 Critic 기반 로봇 기술 진화

왜 중요한가

기존 embodied agent는 고정된 기술을 실행한 뒤 에피소드가 끝나야 실패를 되돌아보므로, 물체 미끄러짐이나 접촉 손실이 발생한 순간에 행동을 바꾸기 어렵습니다. Zetta는 기본 VLA 정책을 고정하고 실행시간 Critic, Recovery, Tool로 구성된 Harness만 진화시켜 밀리초 수준의 물리 변화에 대응하는 폐루프 실행을 구축했습니다. LIBERO-Pro에서 90.8%, RoboCasa에서 93.6%의 성공률을 기록했고, 경험과 Rollout을 늘릴수록 기술이 누적되는 확장 경로를 확인했습니다.

관련 Figure

Infographic
상단은 Orchestrator Agent가 Task 관측, Action, Critic, Recovery를 행동 단위로 연결하고 Evolutionary Agent가 병렬 Rollout에서 후보를 평가하는 흐름을 나타냅니다. 하단 수치는 LIBERO-Pro 90.8%, RoboCasa 93.6%, 추론 지연 91% 감소, Rollout 처리량 12.8배 증가와 함께 Wine Bottle in Bowl 성공률이 R2 15.0%에서 R3 95.0%로, Put Cream Cheese on Bowl이 5.0%에서 90.0%로 상승하는 과정을 담고 있습니다. 따라서 이 그림은 고정된 정책을 재학습하기보다 Critic–Recovery 기술과 실행 인프라를 누적해 같은 작업과 유사 작업의 성공률을 끌어올리는 논문의 전체 구조를 연결합니다.
Zetta의 폐루프 실행, Rollout 기반 후보 최적화, 검증 게이트 업데이트와 주요 성능 수치를 한 장에 묶은 개요도입니다.

핵심 기여

코드 기반 Critic과 Recovery의 폐루프 진화

기본 Action Policy와 Orchestrator Agent를 고정한 채 Runtime Critic, Recovery Playbook, Toolset으로 구성된 Harness를 진화시킵니다. Critic은 실행 중 실패 증거를 감지하고 Orchestrator의 승인 뒤 국소 복구를 호출하며, 복구 상태가 안정화되면 기본 정책으로 제어를 돌려보냅니다. 이 구조가 행동 단위 실행, Rollout 단위 후보 최적화, 반복 단위 검증 업데이트를 연결합니다.

이기종 자원을 분리한 Z-Infra

Z-Infra는 Agent 로직과 환경 실행 자원을 분리하고 Control Plane, Env Worker, Rollout Worker로 요청을 처리합니다. 세션별 환경 상태는 Env Worker가 유지하고, 모델 추론은 호환되는 요청을 묶어 GPU에서 비동기 배치로 실행하며 routing token으로 결과를 되돌립니다. 그 결과 유효 Rollout 처리량이 1.7에서 35.1 episodes/min으로 증가했습니다.

실패 원인 기반의 최소 개입과 일반화

실패를 최종 결과가 아니라 Earliest Observable Divergence와 첫 번째 누락 Milestone을 기준으로 묶고, Evaluation에서 Parameter까지 계층적으로 원인을 찾습니다. 높은 계층의 Critic이나 Recovery 수정으로 해결되면 저수준 제어 파라미터를 바꾸지 않으며, 검증된 패치를 여러 seed의 메커니즘 수준 Harness로 통합합니다. 통합 결과는 Historical Regression과 Held-out Evaluation을 모두 통과해야 다음 진화 반복에 편입됩니다.

고정 정책에서의 과제 내 확장과 Zero-Shot 전이

Critic–Recovery 기술을 누적할수록 LIBERO-Pro Goal-T 평균 성공률이 31.0%에서 92.5%, Goal-S가 38.0%에서 89.0%로 상승했습니다. PnP-Stove에서 발견한 pre-grasp alignment, re-grasp, stable placement를 다른 PnP 과제에 적용해 평균 성공률을 64%에서 84%로 높였습니다. 성능 향상은 VLA 가중치 Fine-tuning이 아니라 파지 안정성, 접촉, 접근 기하 같은 물리 상태를 복구하는 코드 기술의 누적에서 나왔습니다.

핵심 아이디어 이해하기

기존 VLA는 관측을 입력으로 받아 행동을 생성하지만, 실행 중 물체가 미끄러지거나 접촉이 어긋나는 순간을 높은 빈도로 감시해 스스로 경로를 바꾸지는 못합니다. Zetta는 VLA의 가중치를 고정하고 그 주변에 실행시간 Critic을 배치해 현재 궤적과 성공 궤적의 차이를 계속 확인합니다. 이렇게 하면 입력은 센서·영상·접촉 신호와 현재 행동이 되고, 출력은 실패 증거와 복구 모드가 됩니다.

Critic이 모든 판단을 직접 수행하는 것은 아닙니다. Critic은 충돌 위험이나 파지 손실처럼 관측 가능한 증거를 구조화하고, Orchestrator Agent가 목표·Milestone·환경 제약과 함께 개입 여부를 판정합니다. 승인된 경우 Recovery가 재접근이나 재파지를 실행하고, 실패 증거가 사라지며 접촉 안정성이 기준을 넘으면 제어가 다시 VLA로 넘어갑니다.

한 번의 복구가 끝나면 시스템은 성공과 실패 Rollout을 모아 반복적으로 Harness를 수정합니다. 실패는 가장 이른 상태 분포 이탈과 첫 번째 누락 Milestone을 기준으로 묶고, 대표 seed에서 원인을 진단한 뒤 Critic·Recovery·Tool 가운데 필요한 부분만 패치합니다. 여러 seed에서 검증된 패치는 하나의 일반화된 Harness Package로 합쳐져 다음 Rollout에 다시 투입됩니다.

따라서 Zetta의 학습 단위는 VLA 파라미터가 아니라 물리적 실패 상태와 복구 행동의 연결입니다. 초기 수정이 증상만 고치면 성공률이 정체되지만, 파지 유지나 접근 정렬 같은 실제 병목을 찾으면 성공률이 15%에서 95%처럼 급격히 오릅니다. 더 빠른 Rollout은 더 많은 실패·복구 경험을 제공하므로, Z-Infra가 높인 처리량이 곧 Harness 진화 속도로 이어집니다.

방법론

Zetta는 고정된 Action Policy π와 Orchestrator Agent 위에 진화 가능한 Harness H를 배치합니다. Harness는 Runtime Critic C, Recovery Playbook R, Heterogeneous Toolset T로 구성되며, Critic이 궤적에서 실패 증거와 실행 모드를 생성하면 Orchestrator가 현재 목표와 환경 제약을 참조해 최종 모드를 승인합니다. 기본 정책의 파라미터는 모든 진화 단계에서 변하지 않고, 성공률을 높이는 대상은 H입니다.

첫 번째 루프는 행동 주기로 실행되는 Critic-Governed Action Loop입니다. 관측, 행동, Milestone, 충돌 강도와 접촉력으로 구성된 전체 궤적을 append-only 방식으로 저장하고, 성공 궤적은 Milestone별 정상 상태 Index로 모읍니다. 실패 궤적은 정상 상태에서 처음 벗어난 시점과 처음 관측되지 않은 Milestone을 기준으로 분류해 이후 진단의 범위를 좁힙니다.

두 번째 루프는 Rollout-Batch Candidate Optimization Loop입니다. Evolutionary Agent가 실패 seed를 Earliest Observable Divergence와 상대 자세, 활성 Tool 등의 특징으로 군집화하고 각 군집에서 중심에 가까운 medoid seed를 선택합니다. Diagnosis Agent는 Evaluation, Critic, State, Planning, Recovery, Parameter 순서로 원인을 검사하고, Repair Agent는 원인이 확인된 가장 높은 계층에 최소 패치를 적용해 Critic·Recovery·Tool 후보를 생성합니다.

세 번째 루프는 Validation-Gated Skill Update Loop입니다. 패치는 먼저 진단 Replay에서 발산 지점을 감지하는지 확인하고, 이어 초기 상태에서 새 폐루프 Rollout을 수행해 목표 Milestone 도달과 모든 개입의 Orchestrator 승인을 검증합니다. 통과한 seed별 패치는 Critic 조건을 통합하고 Recovery의 재진입 계약을 표준화하며 필요한 Tool을 추가한 뒤, 실패 군집 전체의 Historical Regression과 분리된 Held-out Evaluation을 거쳐 Skill Memory에 편입됩니다.

복구에서 기본 VLA로 제어를 돌리는 조건은 실패 증거가 해소되고 접촉 안정성이 임계값보다 큰 경우입니다. 이 조건은 불안정한 접촉 상태에서 성급하게 기본 정책을 재개해 2차 실패가 발생하는 경로를 차단합니다. Held-out seed에서 새 실패가 발견되면 해당 seed를 개발 집합으로 이동하고 새로운 미사용 검증 집합을 선택해 데이터 분리를 유지합니다.

관련 Figure

Diagram
왼쪽에서 Orchestrator Agent가 Action Policy와 Evolvable Harness H를 병렬 실행하고, H는 Critics C, Recovery R, Tools T로 구성되어 성공 및 실패 궤적을 만듭니다. 실패 Rollout은 오른쪽의 Failure Profiling, Diagnosis and Repair, Harness Generalization 세 단계를 거치며, 원인 계층을 찾은 뒤 C, R, T를 갱신하고 통합된 Harness Package를 실행 루프로 되돌립니다. 이 입력·처리·출력 연결은 Zetta가 에피소드 종료 후 단순 회고하는 대신 실패 군집별로 최소 패치를 만들고 검증된 기술을 재사용하는 이유를 나타냅니다.
병렬 Rollout에서 성공·실패 궤적을 모으고 Reflection과 Evolve를 통해 Harness를 갱신하는 이중 Agent 구조입니다.

주요 결과

LIBERO-Pro에서 Zetta는 π 0.5를 고정한 상태로 전체 평균 성공률을 32.00%에서 71.13%로 높였습니다. Goal-T 평균은 31.0%에서 92.5%, Goal-S 평균은 38.0%에서 89.0%로 상승했고, LIBERO-10의 T와 S도 각각 50.0%에서 63.0%, 9.0%에서 40.0%로 개선됐습니다. 40개 task-setting pair 가운데 32개에서 기준선을 높였고 나머지 8개에서는 기준선과 같았습니다.

RoboCasa 18개 과제의 macro-average 성공률은 고정된 GR00T 기준 73.56%에서 Zetta의 93.56%로 증가했습니다. 네 번의 누적 Global Reflection Round 뒤 성공률이 78.71%, 84.85%, 90.54%, 93.56%로 단계적으로 상승했으며, T4·T5·T15처럼 접촉이 많거나 긴 과제에서 개선 폭이 컸습니다. 개별 사례에서는 TurnOnElectricKettle이 88%에서 94%, SlideDishwasherRack이 76%에서 94%, CloseToasterOvenDoor가 82%에서 96%으로 상승했습니다.

Zero-Shot 전이에서는 PnP-Stove에서 얻은 pre-grasp alignment, re-grasp, stable placement를 PnP-Sink, PnP-Cabinet, PnP-Toaster에 추가 진화 없이 적용했습니다. 각 과제의 성공률은 58%에서 82%, 62%에서 80%, 72%에서 90%로 상승해 평균이 64%에서 84%가 됐습니다. TurnOffStove에서 얻은 target localization, collision-aware approach, stable contact도 TurnOnSinkFaucet, OpenCabinet, TurnOnMicrowave로 전이되어 평균 성공률을 64%에서 80%로 높였습니다.

실행 효율 측면에서 Zetta의 추론 지연은 RPent보다 91% 낮아 11.1배 속도를 기록했고, Z-Infra는 유효 Rollout 처리량을 1.7에서 35.1 episodes/min으로 높였습니다. 별도 비교에서 Z-Infra는 중간 동시성에서 Z-Infra가 없는 구현보다 7.7배, RPent보다 12.8배 높은 처리량을 기록했으며, 에피소드 지연은 RPent보다 11.9배 낮았습니다. π 0.5의 VLM과 Action Expert를 분리한 모델 Partitioning은 평균 추론 지연을 53% 줄이고 200ms SLO 기준 goodput을 2.4배 높였습니다.

관련 Figure

Chart
Goal-T8 Bottle on plate는 Pure VLA 5%에서 S1 Pregrasp 10%, S1+2 Retain 80%, S1+2+3 Retry 90%로 증가하며, 아래 Goal-T2·T6·S3 그래프는 누적 기술의 전이 결과를 표시합니다. 오른쪽 사례는 relation false, retention at risk, carry incomplete를 Critic이 감지한 뒤 staged place, carry to plate, slow retry를 호출하는 입력·복구 쌍을 보여줍니다. 초기 접근 보정만으로는 병목을 해결하지 못하지만 파지 유지와 운반 중 재시도를 추가하면 성공률이 급격히 증가한다는 결과를 구체화합니다.
LIBERO-Pro의 Goal-T 계열에서 누적 Recovery 기술이 추가될 때 성공률이 상승하는 과정과 개별 실패 복구 사례입니다.

Chart
Plate at stove front의 성공률은 Pure VLA 0%에서 S1 Retain 40%, S1+2 Contact 80%, S1+2+3 Carry 100%로 상승합니다. 오른쪽 사례는 bottle retention, bowl contact, plate stalled 실패를 각각 drawer 배치, drawer 위 복구, stove front 운반으로 처리하는 흐름을 나타냅니다. 아래 Goal-S3·S4·S9 그래프는 한 작업에서 얻은 접촉과 운반 복구가 별도 작업에서도 누적되어 성공률을 높이는 Zero-Shot 전이를 나타냅니다.
LIBERO-Pro Goal-S5에서 보존, 접촉, 운반 기술을 순차적으로 추가하고 다른 Goal-S 작업으로 전이한 결과입니다.

Chart
PnP-Stove 성공률은 Pure VLA 78%에서 Round 1 Pregrasp 84%, Round 2 Regrasp 94%, Round 3 Placement 96%로 높아집니다. 오른쪽 사례는 grasp not acquired, complete grasp loss, place alignment risk를 각각 pregrasp aligned, eggplant regrasp, stable placement로 복구하는 과정을 보여줍니다. 하단 전이 그래프에서 PnP-Sink는 58%에서 82%, PnP-Cabinet은 62%에서 80%, PnP-Toaster는 72%에서 90%로 상승해 기술이 특정 궤적보다 공통 물리 상태에 연결됨을 나타냅니다.
RoboCasa PnP-Stove의 진화 라운드별 성공률과 PnP-Sink, PnP-Cabinet, PnP-Toaster로의 Zero-Shot 전이입니다.

Chart
TurnOffStove 성공률은 Pure VLA 74%에서 Round 1 Target takeover 82%, Round 2 Pre-contact 84%, Round 3 Stable Contact 92%로 증가합니다. 오른쪽은 Wrong Knob, Misaligned approach, Unstable Contact를 Target Knob, 정렬된 접근, Stable Contact로 바꾸는 세 복구 사례를 연결합니다. 하단 과제에서도 TurnOnSinkFaucet 74%에서 90%, OpenCabinet 62%에서 78%, TurnOnMicrowave 56%에서 72%로 상승해 대상별 추가 진화 없이 위치·접근·접촉 기술을 재사용한 결과를 나타냅니다.
RoboCasa TurnOffStove의 진화 과정과 수도꼭지, 캐비닛, 전자레인지 과제로의 안정 접촉 기술 전이입니다.

기술 상세

Zetta의 실행 구조는 두 Agent와 세 시간 척도 루프로 나뉩니다. Orchestrator Agent는 Critic이 만든 실패 증거, Recovery, Toolset, task knowledge를 받아 VLA 또는 전문 Tool 중 하나를 선택하고, Evolutionary Agent는 실패 Rollout을 입력으로 받아 다음 Harness 버전을 생성합니다. 이 분리는 실행 중의 빠른 판단과 Rollout 단위의 느린 코드 진화를 서로 다른 주기로 처리하게 합니다.

실패 진단은 정상 궤적 Index와 비교한 Earliest Observable Divergence를 중심으로 수행됩니다. 상태 거리와 임계값을 이용해 정상 분포에서 처음 벗어난 시점을 찾고, First Missing Milestone과 상대 자세, 활성 Tool을 함께 사용해 실패 seed를 군집화합니다. 대표 medoid에서 Evaluation, Critic, State, Planning, Recovery, Parameter 계층을 위에서 아래로 검사하므로, 상위 로직으로 해결 가능한 문제를 저수준 제어 파라미터에 과적합하지 않습니다.

Recovery는 VLA Re-entry Contract를 통해 제어 반환 조건을 제한합니다. 실패 증거가 해소됐는지 확인하는 Boolean 조건과 접촉 토크 진동·파지력으로 계산한 Stability 조건을 함께 평가하고, 안정성 값이 임계값 γ보다 클 때만 기본 VLA를 재개합니다. 입력은 복구 전 상태와 물리 신호이고, 처리는 국소 행동과 안정성 확인이며, 출력은 검증된 상태에서의 VLA 재진입 또는 복구 지속입니다.

검증된 패치는 여러 seed의 공통 메커니즘으로 통합됩니다. Critic은 조건의 논리적 OR과 noise threshold 조정으로 다양한 초기 상태를 감시하고, Recovery는 형태가 다른 동일 실패에 대응하도록 행동 순서를 일반화하며, Toolset은 기존 연산자와 새로 합성된 실행 스크립트를 함께 보유합니다. 결과는 SKILL.md, tools/, plans/, params/ 디렉터리로 구성된 버전 관리 가능한 Harness Package입니다.

Z-Infra는 Control Plane, Environment Worker Layer, Rollout Worker Layer의 세 계층으로 구성됩니다. Control Plane은 세션과 worker rank를 매핑하고, Env Worker는 환경 상태와 세션 수명 주기를 관리하며, Rollout Worker는 모델 종류·입력 양식·Tensor shape가 맞는 요청을 FCFS 방식으로 묶어 비동기 추론합니다. Env Worker가 routing token을 붙여 요청을 채널에 넣고 양보하면 Rollout Worker가 배치 추론을 수행한 뒤 token으로 결과를 돌려보내므로 여러 세션이 동시에 진행됩니다.

Rollout Worker는 π 0.5의 VLM과 Action Expert를 별도 프로세스로 나누고 CUDA IPC로 중간 활성값을 전달합니다. RTX 4090에서 계산량이 큰 prefix MLP에 W8A8을 적용하고 나머지를 BF16으로 유지해 성공률 저하 없이 1.18배에서 1.32배의 추론 속도 향상을 얻었습니다. 구현은 Ray actor와 bounded Ray Channel을 사용하며, 자원 부족 시 backpressure를 보내 세션 과부하가 연쇄적으로 커지는 것을 막습니다.

관련 Figure

Diagram
상단 API는 Observation, Primitives, Policy model, Tools 요청을 받고, Control Plane은 이를 Env Worker Manager와 Rollout Worker Scheduler로 라우팅합니다. Env Worker는 LIBERO와 RoboCasa 같은 환경 세션을 CPU에서 관리하고 Rollout Worker는 Model Partition과 Quantized runtime을 GPU에서 실행하며, 아래의 CPU·GPU Resource Pool이 여러 worker를 지원합니다. Agent가 자원 위치를 직접 지정하지 않아도 환경 실행과 모델 추론을 분리해 병렬성과 자원 공유를 확보하는 구조입니다.
Agent API와 Control Plane 아래에서 Env Worker와 Rollout Worker가 CPU·GPU 자원을 분리해 사용하는 Z-Infra 아키텍처입니다.

실무 활용

Zetta는 VLA를 다시 학습하기 어려운 로봇 조작 시스템에서 실행 중 발생하는 물리적 실패를 코드 기반 Critic과 Recovery로 처리하는 구조입니다. Agent 로직은 Z-Infra의 세션·환경·추론 API를 통해 이기종 CPU와 GPU 자원을 사용하므로, 특정 하드웨어 구성에 직접 결합하지 않아도 됩니다. 저장소에는 Harness 기술과 Z-Infra 구현을 확인할 수 있는 GitHub 프로젝트가 제공됩니다.

고정된 VLA 정책에 파지 손실, 충돌, 접근 정렬 오류를 감지하는 Runtime Critic과 국소 Recovery를 추가하는 로봇 조작 시스템
여러 환경 seed를 병렬 Rollout하고 실패 궤적을 모아 Critic–Recovery 기술을 반복적으로 검증하는 연구 실험
CPU 기반 시뮬레이터와 GPU 기반 정책 추론을 Env Worker와 Rollout Worker로 분리하는 embodied agent 실행 인프라
한 작업에서 발견한 재파지, 안정 배치, 접촉 복구 기술을 유사한 조작 작업에 Zero-Shot으로 검증하는 평가 파이프라인

코드 공개 여부: 공개

코드 저장소 보기

관련 Figure

Diagram
처음에는 VLA가 물체를 집어 운반하지만 grasp lost가 발생하고, Critic이 regrasp recovery와 re-approach를 호출해 제어를 일시적으로 가져옵니다. 재파지 자세가 유효하지 않으면 두 번째 Critic이 실패를 감지하고 GraspGen으로 실행 가능한 end-effector 자세를 생성하며, 목표 근처에서는 stable placement recovery가 최종 배치를 완료합니다. 각 복구 뒤에는 상태가 확인된 경우에만 VLA로 제어가 돌아가므로 한 에피소드 안에서 서로 다른 실패를 국소적으로 처리하는 폐루프 조합을 확인할 수 있습니다.
RoboCasa 조작 에피소드에서 Critic이 파지 손실과 잘못된 자세를 감지하고 GraspGen과 CAP 기반 복구를 순차 호출하는 사례입니다.

키워드

closed-loop embodied harness(폐루프 embodied Harness)code-based runtime critics(코드 기반 실행시간 Critic)recovery skills(복구 기술)validation-gated skill updates(검증 게이트 기술 업데이트)Z-Infra(이기종 Rollout 인프라)LIBERO-Pro(로봇 조작 벤치마크)RoboCasa(로봇 조작 벤치마크)zero-shot skill transfer(Zero-Shot 기술 전이)

용어 해설

폐루프 제어(Closed-Loop Control): — 로봇의 현재 관측과 실행 결과를 다음 행동에 계속 반영하는 제어 방식입니다. Zetta는 고정된 궤적을 끝까지 실행하지 않고 Runtime Critic이 상태 변화를 감시한 뒤 Recovery를 호출하며, 복구가 안정화되면 기본 정책으로 제어를 돌려보냅니다. 물체 미끄러짐이나 접촉 손실처럼 실행 중 발생하는 오류를 즉시 처리하는 데 중요합니다.
Vision-Language-Action 모델(Vision-Language-Action Model): — 이미지와 언어 지시를 입력받아 로봇의 저수준 행동을 생성하는 모델입니다. Zetta에서는 π 0.5와 GR00T N1.5를 고정된 기본 정책으로 사용하고, 모델 가중치는 바꾸지 않은 채 외부 Harness가 실행 중 감시와 복구를 담당합니다. 따라서 의미 이해 능력을 유지하면서 물리적 실행 오류를 보완할 수 있습니다.
실행시간 Critic(Runtime Critic): — 로봇 궤적을 높은 빈도로 감시하면서 충돌, 정체, 파지 손실 같은 실패 증거를 구조화하는 코드 기반 모니터입니다. Critic은 관측 궤적에서 증거와 실행 모드를 담은 제안을 만들고, Orchestrator Agent가 이를 승인할 때만 Recovery를 실행합니다. 실패 순간의 상태를 직접 활용하므로 에피소드가 끝난 뒤에만 판단하는 Reflection보다 즉각적인 개입에 적합합니다.
복구 플레이북(Recovery Playbook): — 특정 물리적 실패 원인에 대응하는 행동 순서를 구조화한 전략 라이브러리입니다. Zetta는 Critic이 감지한 실패 유형에 맞춰 재접근, 재파지, 안정 배치 같은 복구를 실행하고, 실패 증거가 해소되고 접촉 안정성이 기준을 넘을 때 기본 VLA 정책으로 제어를 넘깁니다. 이 구조는 전체 에피소드를 처음부터 반복하지 않고 국소적인 오류만 수정하게 합니다.
Zero-Shot 전이(Zero-Shot Transfer): — 한 작업에서 학습한 실행 메커니즘을 대상 작업에 추가 학습이나 작업별 최적화 없이 적용하는 방식입니다. Zetta는 파지 안정성, 재파지, 정렬, 안정 배치처럼 물체나 가구의 이름보다 물리적 상태에 연결된 Critic–Recovery 기술을 다른 작업에 전이합니다. PnP-Stove에서 얻은 기술을 PnP-Sink, PnP-Cabinet, PnP-Toaster에 적용해 평균 성공률을 64%에서 84%로 높였습니다.
모델 분할(Model Partitioning): — 하나의 정책 모델을 기능별 실행 단계로 나누어 서로 다른 프로세스와 스케줄러에 배치하는 방식입니다. Z-Infra는 π 0.5의 Vision-Language Model과 Action Expert를 분리하고 중간 활성값을 CUDA IPC로 전달해 추론 자원과 요청 흐름을 따로 조정합니다. 단일 프로세스 배치보다 평균 추론 지연을 53% 줄이고 200ms SLO 기준 goodput을 2.4배 높였습니다.

Zetta의 Critic 기반 로봇 기술 진화

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

실무 활용

키워드

용어 해설

관련 토론

댓글

관련 기사

작업마다 스스로 진화하는 에이전트 하네스

로봇이 스스로 실패 원인을 찾고 코드를 수정하는 ASPIRE 프레임워크.

로봇 학습의 병목 현상을 해결하기 위한 4가지 핵심 인터페이스 제안.

ZimaBlue로 영상에서 로봇 행동까지 확장하는 World Action Model

LLM 에이전트 자기 진화의 복구 가능성

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

실무 활용

키워드

관련 토론

댓글

관련 기사

작업마다 스스로 진화하는 에이전트 하네스

로봇이 스스로 실패 원인을 찾고 코드를 수정하는 ASPIRE 프레임워크.

로봇 학습의 병목 현상을 해결하기 위한 4가지 핵심 인터페이스 제안.

ZimaBlue로 영상에서 로봇 행동까지 확장하는 World Action Model

LLM 에이전트 자기 진화의 복구 가능성