【免费下载链接】Zetta-EmbodimentZetta is an efficient closed-loop embodied harness for self-evolving physical intelligence. It evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Project Page: https://air-embodied-brain.github.io/zetta/项目地址https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment点击查看免费下载第一次跑Zetta的机器人 Rollout别慌。本文带你走完完整链路安装 LIBERO-Pro Pi0.5 环境 → 启动 Rollout Runtime → 准备 campaign → 跑完一个真实 LIBERO-Pro episode并逐一讲解每条命令和关键参数。Zetta 是一个高效闭环具身智能 harness它在线演化基于代码的运行时 Critic 与 recovery skill同时保持基座策略VLA 模型冻结在 LIBERO-Pro 上取得 90.8% 的成功率。一、30秒搞懂 Zetta为什么叫自演化在动手前先建立一个心智模型。Zetta 把一次 Rollout 拆成三个角色角色职责源码位置EnvWorker进程内运行仿真器LIBERO产生观测、执行动作rollout_runtime/workers/env_worker.pyRolloutWorker加载 Pi0.5 模型执行策略推理rollout_runtime/workers/rollout_worker.pyEvolution 状态机Rollout → 失败聚类Cluster→ 诊断Diagnose→ 生成 Critic-Recovery 候选 → Shadow Replay → 配对 Gate → Held-out 验收zetta/evolution/也就是说你启动的 Rollout Runtime 本质上是一个Gateway 多 Worker 的推理服务campaign 通过 HTTP 指向它而不是每个任务各起一套 VLA/环境服务。这个架构在 LIBERO-Pro 上带来了 11.1x 的推理加速见 README。二、环境准备一键搭建 LIBERO-Pro Pi0.5 运行时Zetta 支持 Python 3.11–3.12但 LIBERO-Pro 仿真器链路使用 Python 3.10 的专用 venv。整个环境由一个脚本构建git clone https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment cd Zetta-Embodiment export REPO_ROOT$PWD export VENV_ROOT/abs/path/to/venvs/libero-pro bash scripts/deployment/install_vla_env.sh --track libero-pro这个脚本会做四件事详见 scripts/deployment/VLA_ENV_SETUP.md创建独立 venv锁定已验证版本robosuite1.4.x、rpent-liberopro0.1.1、rlinf-openpi0.1.1下载并构建LIBERO-Pro 复合资源树合并 robosuite 机器人模型与 LIBERO-Pro 场景应用 7 个兼容性修复如 MuJoCo 版本回退、pydantic 锁定最后自动执行一次创建-重置-关闭仿真环境冒烟测试——如果这一步失败说明环境没装好。⚠️ 注意LIBERO-Pro 与 RoboCasa 因robosuite版本不兼容不能共用同一个 venv。另外你还需要一份 Pi0.5 的 LIBERO 微调权重RLinf-Pi05-LIBERO-SFTcheckpoint放在本地任意路径即可。三、启动 Rollout Runtime核心命令详解环境就绪后启动 Gateway 服务。官方示例命令CUDA_VISIBLE_DEVICES0 MUJOCO_GLegl \ RR_PI05_MODEL_PATH/abs/path/to/RLinf-Pi05-LIBERO-SFT \ python -m rollout_runtime.cli serve \ --config a100_libero_pi05_pro \ --host 127.0.0.1 \ --port 18730 \ --launch ray逐个参数解释CLI 实现在 rollout_runtime/cli.py--configpreset 名或 yaml 路径。这里用a100_libero_pi05_pro它把libero_variant设为pro、return_all_frames: true开录像工具链要靠它产出episode.mp4。所有 preset 都在 rollout_runtime/config/presets/建议复制一份后按本机 GPU 数量改num_ranks和placement而不要提交带真实路径的新 preset--launch ray真实运行必须加。它把 EnvWorker仿真和 RolloutWorker模型推理放进独立进程避免互相抢占资源--launch local默认只适合 CI 冒烟测试RR_PI05_MODEL_PATH环境变量覆盖 preset 里的model_path避免把机器路径写进仓库见 a100_libero_pi05_pro.yamlMUJOCO_GLegl无显示器服务器上用 EGL 做离屏渲染。[!TIP] 单卡想先试水可用 zetta_libero_pi05.yaml1 env rank × 1 rollout rank 形态它专为一个 agent 一个 session的交互式回合设计。一分钟冒烟检查Runtime 是标准 HTTP 服务绑在127.0.0.1非回环地址会强制要求RR_AUTH_TOKEN。服务起来后curl http://127.0.0.1:18730/healthz返回正常即说明 Gateway 已就绪Gateway 的实现见 rollout_runtime/serve/app.py。四、准备 Campaign冻结一份不可变实验清单Zetta 的实验流程是固定的两步先用prepare_*_campaign.py对着运行中的 Runtime冻结一份manifest.json任务、种子、评测 horizon、Gate 契约全部固化且不含任何密钥再用run_campaign.py驱动状态机。针对 LIBERO-Pro执行参数清单以--help为准脚本见 scripts/evolution/prepare_libero_campaign.pypython scripts/evolution/prepare_libero_campaign.py \ --output-root runs/libero-goal-s-task3/g0000 \ --campaign-id libero-goal-s-task3-g0000 \ --repository-root $PWD \ --runtime-python .venv/bin/python \ --code-commit $(git rev-parse HEAD) \ --suite libero_goal_swap \ --task-id 3 \ --task libero_goal_swap/task3 \ --task-language Open the top layer of the drawer and put the bowl inside \ --master-seed 2026081103 \ --rollout-count 50 \ --fixed-heldout-seeds 1-20 \ --heldout-mode test \ --runtime-url http://127.0.0.1:18730 \ --runtime-policy-id pi05关键参数说明--runtime-url/--runtime-policy-id指向你刚启动的 Rollout Runtime 及其policy_idpreset 里是pi05。这是新版连接方式替代了旧的--vla-endpoint直连--master-seed开发种子由它确定性派生。注意开发种子永远不要与 held-out 种子 1..20 重叠这是官方安全规范--rollout-count 50正式跑默认 50 条 rollout如果只是验证链路通不通可用 1/1/1 的小配置做有界检查但那不算 benchmark 结果--heldout-mode testheld-out 结果只用于测试除非你在任何 episode 运行前预注册validation模式。这一步完成后runs/.../g0000/下会出现manifest.json、preregistration.json、tool-catalog.json等冻结文件。五、运行 Campaign从 Rollout 到技能晋升python scripts/evolution/run_campaign.py \ --manifest runs/libero-goal-s-task3/g0000/manifest.json \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue \ --tool-catalog runs/libero-goal-s-task3/g0000/tool-catalog.json \ --workers libero-worker-0 \ --model model-name \ --max-generations 1命令来自 scripts/evolution/run_campaign.py它启动 worker、接收 episode 结果并驱动整个状态机50 条开发 Rollout → Failure Cluster → Stage 1 因果诊断 → Stage 2 Critic-Recovery 候选 → Shadow Replay → 配对 Same-seed Gate → Held-out seeds 1..20 → 拒绝则回到 Stage 2通过则 Promote 完成每个 episode 由 robots/libero/run_evolution_rollout.py 实际执行Pi0.5 负责抓取pi_pickLLM 角色Role1负责运动、放置与重试决策——Recovery 工具的完整清单见 docs/libero-recovery-tools.md。运行期间随时查看进度只读python -m zetta.evolution.cli status \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue六、一个完整 LIBERO-Pro episode 留下什么跑完一个 episode 后输出目录里你会看到目录布局见 docs/libero-recovery-tools.mdattempt/ result.json # 成败、耗时、artifact 索引 trajectory/ actions.jsonl # 每步动作 states.jsonl # 每步状态感知隔离模式不含GT坐标 chunks.jsonl # 策略动作块与 Critic 提议 videos/ episode_agentview.mp4 # 主视角完整录像 episode_wrist.mp4 # 腕部相机录像 visual-evidence/ # 轨迹分段与可视化证据打开episode_agentview.mp4看机械臂在抽屉场景里执行 Open the top layer of the drawer and put the bowl inside恭喜你——你的第一次 Zetta 机器人 Rollout 就跑通了 ✅七、性能提示让 Rollout 更快Runtime Gateway 的端到端吞吐是 Zetta 的核心卖点。下图来自 nvJPEG 编码实验展示真实 Pi0.5 模型经 Runtime Gateway 的端到端 rollout 吞吐steps/s两个实用建议JPEG 编码在 preset 的env_config中设置image_codec: jpegjpeg_quality: 90图像编码可快 27 倍报告见 docs/img-encode-report/nvjpeg-optimization-report.md但注意它是有损实验路径特定 checkpoint 下可能出现非有限动作正式跑仍建议默认 PNGFlashRT 后端单卡 RTX 4090 上把 preset 的policy_backend换成flashrtFP8 CUDA GraphPi0.5 单样本延迟降 9.9×经 Gateway 降 4.5×动作余弦相似度 0.9989。步骤见 README 的 FlashRT Integration 章节。八、常见问题速查现象排查方向serve启动即退出exit code 2非回环地址未设置RR_AUTH_TOKEN安全前置检查失败环境冒烟测试失败复合资源树缺robots/panda/robot.xml重跑install_vla_env.sh或检查LIBERO_ASSETS_ROOT_OVERRIDEepisode 卡死无进展用zetta.evolution.cli status查看 phase基础设施故障不计为 0 分会自动重试想只测链路不通真机用local_fakepresetpython -m rollout_runtime.cli smoke --config local_fake零依赖跑完整流程小结回顾一下完整链路install_vla_env.sh --track libero-pro建环境含自动资产下载python -m rollout_runtime.cli serve --config a100_libero_pi05_pro --launch ray启动 Runtimeprepare_libero_campaign.py冻结 manifestrun_campaign.py驱动 Rollout → 诊断 → 候选 → Gate 全流程在episodes/下拿到episode_agentview.mp4与全部轨迹证据。从第一条命令到看你的第一条机械臂视频这就是 Zetta 的完整闭环基座策略保持冻结进化发生在线、可审计、可复现。祝你的第一次 Rollout 顺利 赞分享【免费下载链接】Zetta-EmbodimentZetta is an efficient closed-loop embodied harness for self-evolving physical intelligence. It evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Project Page: https://air-embodied-brain.github.io/zetta/项目地址https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment点击查看免费下载相关推荐Zetta Rollout Runtime架构拆解Gateway会话调度、EnvWorker与Ray分布式部署完全指南Zetta Rollout Runtime架构拆解Gateway会话调度、EnvWorker与Ray分布式部署完全指南 Zetta Rollout RuntiDocker-Rollout 命令行参数详解实现优雅的容器滚动更新Docker Rollout 命令行参数详解实现优雅的容器滚动更新 前言 在现代容器化部署中如何实现零停机时间的服务更新是一个重要课题。Docker RolEasyWAM-Hidden-Wan22快速上手3步完成LIBERO检查点下载跑通第一次机器人策略评估EasyWAM Hidden Wan22快速上手3步完成LIBERO检查点下载跑通第一次机器人策略评估 EasyWAM Hidden Wan22 是面向机器人工智能大模型具身智能机器人上一篇终极指南Ostrich - Scala服务器的强大统计收集与报告工具下一篇res-downloader 视频解密下载完整指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】Zetta-EmbodimentZetta is an efficient closed-loop embodied harness for self-evolving physical intelligence. It evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Project Page: https://air-embodied-brain.github.io/zetta/项目地址https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment点击查看免费下载第一次跑Zetta的机器人 Rollout别慌。本文带你走完完整链路安装 LIBERO-Pro Pi0.5 环境 → 启动 Rollout Runtime → 准备 campaign → 跑完一个真实 LIBERO-Pro episode并逐一讲解每条命令和关键参数。Zetta 是一个高效闭环具身智能 harness它在线演化基于代码的运行时 Critic 与 recovery skill同时保持基座策略VLA 模型冻结在 LIBERO-Pro 上取得 90.8% 的成功率。一、30秒搞懂 Zetta为什么叫自演化在动手前先建立一个心智模型。Zetta 把一次 Rollout 拆成三个角色角色职责源码位置EnvWorker进程内运行仿真器LIBERO产生观测、执行动作rollout_runtime/workers/env_worker.pyRolloutWorker加载 Pi0.5 模型执行策略推理rollout_runtime/workers/rollout_worker.pyEvolution 状态机Rollout → 失败聚类Cluster→ 诊断Diagnose→ 生成 Critic-Recovery 候选 → Shadow Replay → 配对 Gate → Held-out 验收zetta/evolution/也就是说你启动的 Rollout Runtime 本质上是一个Gateway 多 Worker 的推理服务campaign 通过 HTTP 指向它而不是每个任务各起一套 VLA/环境服务。这个架构在 LIBERO-Pro 上带来了 11.1x 的推理加速见 README。二、环境准备一键搭建 LIBERO-Pro Pi0.5 运行时Zetta 支持 Python 3.11–3.12但 LIBERO-Pro 仿真器链路使用 Python 3.10 的专用 venv。整个环境由一个脚本构建git clone https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment cd Zetta-Embodiment export REPO_ROOT$PWD export VENV_ROOT/abs/path/to/venvs/libero-pro bash scripts/deployment/install_vla_env.sh --track libero-pro这个脚本会做四件事详见 scripts/deployment/VLA_ENV_SETUP.md创建独立 venv锁定已验证版本robosuite1.4.x、rpent-liberopro0.1.1、rlinf-openpi0.1.1下载并构建LIBERO-Pro 复合资源树合并 robosuite 机器人模型与 LIBERO-Pro 场景应用 7 个兼容性修复如 MuJoCo 版本回退、pydantic 锁定最后自动执行一次创建-重置-关闭仿真环境冒烟测试——如果这一步失败说明环境没装好。⚠️ 注意LIBERO-Pro 与 RoboCasa 因robosuite版本不兼容不能共用同一个 venv。另外你还需要一份 Pi0.5 的 LIBERO 微调权重RLinf-Pi05-LIBERO-SFTcheckpoint放在本地任意路径即可。三、启动 Rollout Runtime核心命令详解环境就绪后启动 Gateway 服务。官方示例命令CUDA_VISIBLE_DEVICES0 MUJOCO_GLegl \ RR_PI05_MODEL_PATH/abs/path/to/RLinf-Pi05-LIBERO-SFT \ python -m rollout_runtime.cli serve \ --config a100_libero_pi05_pro \ --host 127.0.0.1 \ --port 18730 \ --launch ray逐个参数解释CLI 实现在 rollout_runtime/cli.py--configpreset 名或 yaml 路径。这里用a100_libero_pi05_pro它把libero_variant设为pro、return_all_frames: true开录像工具链要靠它产出episode.mp4。所有 preset 都在 rollout_runtime/config/presets/建议复制一份后按本机 GPU 数量改num_ranks和placement而不要提交带真实路径的新 preset--launch ray真实运行必须加。它把 EnvWorker仿真和 RolloutWorker模型推理放进独立进程避免互相抢占资源--launch local默认只适合 CI 冒烟测试RR_PI05_MODEL_PATH环境变量覆盖 preset 里的model_path避免把机器路径写进仓库见 a100_libero_pi05_pro.yamlMUJOCO_GLegl无显示器服务器上用 EGL 做离屏渲染。[!TIP] 单卡想先试水可用 zetta_libero_pi05.yaml1 env rank × 1 rollout rank 形态它专为一个 agent 一个 session的交互式回合设计。一分钟冒烟检查Runtime 是标准 HTTP 服务绑在127.0.0.1非回环地址会强制要求RR_AUTH_TOKEN。服务起来后curl http://127.0.0.1:18730/healthz返回正常即说明 Gateway 已就绪Gateway 的实现见 rollout_runtime/serve/app.py。四、准备 Campaign冻结一份不可变实验清单Zetta 的实验流程是固定的两步先用prepare_*_campaign.py对着运行中的 Runtime冻结一份manifest.json任务、种子、评测 horizon、Gate 契约全部固化且不含任何密钥再用run_campaign.py驱动状态机。针对 LIBERO-Pro执行参数清单以--help为准脚本见 scripts/evolution/prepare_libero_campaign.pypython scripts/evolution/prepare_libero_campaign.py \ --output-root runs/libero-goal-s-task3/g0000 \ --campaign-id libero-goal-s-task3-g0000 \ --repository-root $PWD \ --runtime-python .venv/bin/python \ --code-commit $(git rev-parse HEAD) \ --suite libero_goal_swap \ --task-id 3 \ --task libero_goal_swap/task3 \ --task-language Open the top layer of the drawer and put the bowl inside \ --master-seed 2026081103 \ --rollout-count 50 \ --fixed-heldout-seeds 1-20 \ --heldout-mode test \ --runtime-url http://127.0.0.1:18730 \ --runtime-policy-id pi05关键参数说明--runtime-url/--runtime-policy-id指向你刚启动的 Rollout Runtime 及其policy_idpreset 里是pi05。这是新版连接方式替代了旧的--vla-endpoint直连--master-seed开发种子由它确定性派生。注意开发种子永远不要与 held-out 种子 1..20 重叠这是官方安全规范--rollout-count 50正式跑默认 50 条 rollout如果只是验证链路通不通可用 1/1/1 的小配置做有界检查但那不算 benchmark 结果--heldout-mode testheld-out 结果只用于测试除非你在任何 episode 运行前预注册validation模式。这一步完成后runs/.../g0000/下会出现manifest.json、preregistration.json、tool-catalog.json等冻结文件。五、运行 Campaign从 Rollout 到技能晋升python scripts/evolution/run_campaign.py \ --manifest runs/libero-goal-s-task3/g0000/manifest.json \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue \ --tool-catalog runs/libero-goal-s-task3/g0000/tool-catalog.json \ --workers libero-worker-0 \ --model model-name \ --max-generations 1命令来自 scripts/evolution/run_campaign.py它启动 worker、接收 episode 结果并驱动整个状态机50 条开发 Rollout → Failure Cluster → Stage 1 因果诊断 → Stage 2 Critic-Recovery 候选 → Shadow Replay → 配对 Same-seed Gate → Held-out seeds 1..20 → 拒绝则回到 Stage 2通过则 Promote 完成每个 episode 由 robots/libero/run_evolution_rollout.py 实际执行Pi0.5 负责抓取pi_pickLLM 角色Role1负责运动、放置与重试决策——Recovery 工具的完整清单见 docs/libero-recovery-tools.md。运行期间随时查看进度只读python -m zetta.evolution.cli status \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue六、一个完整 LIBERO-Pro episode 留下什么跑完一个 episode 后输出目录里你会看到目录布局见 docs/libero-recovery-tools.mdattempt/ result.json # 成败、耗时、artifact 索引 trajectory/ actions.jsonl # 每步动作 states.jsonl # 每步状态感知隔离模式不含GT坐标 chunks.jsonl # 策略动作块与 Critic 提议 videos/ episode_agentview.mp4 # 主视角完整录像 episode_wrist.mp4 # 腕部相机录像 visual-evidence/ # 轨迹分段与可视化证据打开episode_agentview.mp4看机械臂在抽屉场景里执行 Open the top layer of the drawer and put the bowl inside恭喜你——你的第一次 Zetta 机器人 Rollout 就跑通了 ✅七、性能提示让 Rollout 更快Runtime Gateway 的端到端吞吐是 Zetta 的核心卖点。下图来自 nvJPEG 编码实验展示真实 Pi0.5 模型经 Runtime Gateway 的端到端 rollout 吞吐steps/s两个实用建议JPEG 编码在 preset 的env_config中设置image_codec: jpegjpeg_quality: 90图像编码可快 27 倍报告见 docs/img-encode-report/nvjpeg-optimization-report.md但注意它是有损实验路径特定 checkpoint 下可能出现非有限动作正式跑仍建议默认 PNGFlashRT 后端单卡 RTX 4090 上把 preset 的policy_backend换成flashrtFP8 CUDA GraphPi0.5 单样本延迟降 9.9×经 Gateway 降 4.5×动作余弦相似度 0.9989。步骤见 README 的 FlashRT Integration 章节。八、常见问题速查现象排查方向serve启动即退出exit code 2非回环地址未设置RR_AUTH_TOKEN安全前置检查失败环境冒烟测试失败复合资源树缺robots/panda/robot.xml重跑install_vla_env.sh或检查LIBERO_ASSETS_ROOT_OVERRIDEepisode 卡死无进展用zetta.evolution.cli status查看 phase基础设施故障不计为 0 分会自动重试想只测链路不通真机用local_fakepresetpython -m rollout_runtime.cli smoke --config local_fake零依赖跑完整流程小结回顾一下完整链路install_vla_env.sh --track libero-pro建环境含自动资产下载python -m rollout_runtime.cli serve --config a100_libero_pi05_pro --launch ray启动 Runtimeprepare_libero_campaign.py冻结 manifestrun_campaign.py驱动 Rollout → 诊断 → 候选 → Gate 全流程在episodes/下拿到episode_agentview.mp4与全部轨迹证据。从第一条命令到看你的第一条机械臂视频这就是 Zetta 的完整闭环基座策略保持冻结进化发生在线、可审计、可复现。祝你的第一次 Rollout 顺利 赞分享【免费下载链接】Zetta-EmbodimentZetta is an efficient closed-loop embodied harness for self-evolving physical intelligence. It evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Project Page: https://air-embodied-brain.github.io/zetta/项目地址https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment点击查看免费下载相关推荐Zetta Rollout Runtime架构拆解Gateway会话调度、EnvWorker与Ray分布式部署完全指南Zetta Rollout Runtime架构拆解Gateway会话调度、EnvWorker与Ray分布式部署完全指南 Zetta Rollout RuntiDocker-Rollout 命令行参数详解实现优雅的容器滚动更新Docker Rollout 命令行参数详解实现优雅的容器滚动更新 前言 在现代容器化部署中如何实现零停机时间的服务更新是一个重要课题。Docker RolEasyWAM-Hidden-Wan22快速上手3步完成LIBERO检查点下载跑通第一次机器人策略评估EasyWAM Hidden Wan22快速上手3步完成LIBERO检查点下载跑通第一次机器人策略评估 EasyWAM Hidden Wan22 是面向机器人工智能大模型具身智能机器人上一篇终极指南Ostrich - Scala服务器的强大统计收集与报告工具下一篇res-downloader 视频解密下载完整指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
