Aller au contenu principal
LingBot-Vision d'Ant Group : 12 premières mondiales, un modèle de 1,1 milliard de paramètres bat DINOv3 (7 milliards)Illustration générée par IA
IA physiquePandaily 

LingBot-Vision d'Ant Group : 12 premières mondiales, un modèle de 1,1 milliard de paramètres bat DINOv3 (7 milliards)

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Ant Group, via sa division robotique LingBot, a dévoilé LingBot-Depth 2.0, un modèle de perception spatiale construit sur un nouveau modèle de vision baptisé LingBot-Vision, présenté comme le premier modèle de fondation vision nativement conçu pour la perception spatiale en IA incarnée. L'entreprise revendique douze résultats inédits sur des benchmarks publics et privés, une affirmation à prendre avec précaution puisqu'elle émane de son propre communiqué. Avec environ 1,1 milliard de paramètres, soit environ un septième des 7 milliards de DINOv3 de Meta, et moins d'un tiers de son volume d'entraînement, LingBot-Vision affirme surpasser DINOv3 sur le benchmark d'estimation de profondeur NYUv2. Le modèle cible trois défauts classiques de l'estimation de profondeur: le flou des contours, la détection des petits objets et le bruit sur les longues distances. LingBot-Depth 2.0 revendique une clarté de contours suffisante pour de la planification de trajectoire de bras robotique au millimètre près, une meilleure détection des câbles et fils fins, un filtrage du bruit pour les obstacles distants, et des cartes de profondeur stables face aux surfaces réfléchissantes, objets transparents, obscurité et environnements encombrés. Le modèle et son code sont disponibles en open source sur Hugging Face, ModelScope et GitHub, avec un rapport technique publié sur arXiv. Ant Group a aussi noué un partenariat avec ORBBEC, fabricant chinois de capteurs 3D, dont le laboratoire Depth Vision Lab a validé le modèle; la collaboration produit un nouveau dispositif de collecte EGO-RGBD, une intégration SDK pour le matériel ORBBEC, et une future caméra intégrée sans réglage algorithmique complexe.

La sortie illustre un pari de plus en plus partagé en IA incarnée: les modèles de vision entraînés sur des images web généralistes, comme DINOv3, reconnaissent des objets mais ignorent leur géométrie précise, ce qui limite leur usage pour des robots devant saisir, éviter ou manipuler des objets réels. En intégrant la compréhension spatiale dès l'entraînement, LingBot-Vision s'attaque à l'écart entre perception "de spectateur" et perception "d'acteur", un enjeu central pour les modèles vision-langage-action qui pilotent bras robotiques et humanoïdes. Le passage du papier de recherche à un partenariat matériel concret avec ORBBEC, plutôt qu'une simple démonstration, est le signal le plus tangible pour les intégrateurs: un début de commercialisation réelle plutôt qu'un prototype isolé. Gérer nativement les cas difficiles, surfaces réfléchissantes, câblage fin, objets transparents, est précisément ce qui bloque aujourd'hui le déploiement en environnement réel non contrôlé.

Ant Group, mieux connu pour Alipay, a multiplié ces derniers mois les investissements en robotique et IA incarnée via LingBot, dans un contexte de compétition intense entre laboratoires chinois et américains sur les modèles de fondation pour robots. La comparaison affichée avec DINOv3, modèle phare de Meta, positionne explicitement l'entreprise face aux géants américains sur la perception, pendant que d'autres acteurs, Figure AI avec Figure 03, Tesla avec Optimus, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2 ou Google DeepMind avec Helix, se concentrent davantage sur les modèles d'action et le contrôle moteur. LingBot-Vision se positionne ainsi comme une brique de perception complémentaire, potentiellement intégrable en amont de ces systèmes. Le partenariat avec ORBBEC laisse présager un déploiement progressif dans les prochains mois, avec l'arrivée annoncée d'une caméra grand public intégrant directement le traitement 3D, un jalon qui déterminera si les gains annoncés sur benchmarks se traduisent en performance réelle chez les intégrateurs industriels.

À lire aussi

Efficient-WAM : un modèle monde-action de 1 milliard de paramètres à faible coût d'anticipation
Illustration générée par IA
1arXiv cs.RO 

Efficient-WAM : un modèle monde-action de 1 milliard de paramètres à faible coût d'anticipation

Une équipe de recherche présente Efficient-WAM, un World-Action Model (WAM) d'un milliard de paramètres conçu pour la manipulation robotique en temps réel, dont les résultats sont publiés sur arXiv (2606.10040) en juin 2026. Les WAMs constituent une classe de modèles qui couplent la prédiction visuelle du futur avec la génération d'actions motrices : le robot "imagine" ce que va ressembler la scène dans quelques instants avant de décider quoi faire. Efficient-WAM ramène la latence d'inférence à environ 100 ms par chunk lors du déploiement physique, soit un gain de 30x par rapport aux WAMs existants. Pour y parvenir, trois leviers techniques sont combinés : un expert vidéo compact distillé depuis WAN-2.2-5B (modèle de génération vidéo à 5 milliards de paramètres), des représentations vidéo token-sparse, et un débruitage asymétrique qui alloue moins d'étapes d'échantillonnage à la branche vidéo qu'à la branche action. Les évaluations portent sur le benchmark RoboTwin 2.0 et des tâches de manipulation en conditions réelles. Le résultat central est contre-intuitif : Efficient-WAM maintient des performances d'action compétitives même si ses prédictions visuelles sont visiblement grossières, ce qui invalide l'hypothèse implicite que la fidélité photorealiste de l'imagination future est nécessaire au contrôle. Pour un intégrateur ou un responsable robotique, cela signifie que le goulot d'étranglement computationnel des WAMs n'est pas une fatalité architecturale mais un problème de design résolu ici par une re-priorisation : la vidéo future n'est plus un objectif visuel mais un signal de guidage compact pour la génération d'actions. À 100 ms par chunk, le modèle entre dans la fenêtre de faisabilité pour des boucles de contrôle sur manipulateurs industriels ou cobots, là où les WAMs précédents restaient confinés à la démonstration labo. Les WAMs s'inscrivent dans une compétition dense avec les Vision-Language-Action models (VLAs) comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou OpenVLA, qui traitent directement la génération d'actions sans passer par la prédiction vidéo explicite. L'argument des WAMs est que l'imagination du futur améliore la robustesse en dehors de la distribution d'entraînement, mais leur coût computationnel a jusqu'ici limité leur adoption. Efficient-WAM rééquilibre ce trade-off. La distillation depuis WAN-2.2-5B, un modèle de génération vidéo généraliste, suggère une stratégie de transfer learning inter-domaine qui pourrait s'étendre à d'autres architectures. Les prochaines étapes naturelles sont l'évaluation sur des plateformes humanoïdes complètes et des déploiements en environnements semi-structurés, deux dimensions absentes de ce papier.

IA physiqueActu
1 source
ScaleVLA : un modèle vision-langage-action (VLA) passe à l'échelle avec 552 milliards de paramètres
Illustration générée par IA
2arXiv cs.RO 

ScaleVLA : un modèle vision-langage-action (VLA) passe à l'échelle avec 552 milliards de paramètres

Des chercheurs publient sur arXiv (identifiant 2611.21607) ScaleVLA, une politique Vision-Language-Action (VLA) qui associe un backbone VLM de 552 milliards de paramètres, DeepSeek-V4.1-Flash, à un module d'action de type Diffusion Transformer (DiT) entraînable. L'équipe a comparé de façon systématique des VLM allant de 2 à 552 milliards de paramètres, avec un protocole d'entraînement identique. Trois capacités sont mesurées. En efficacité en données, 10 démonstrations suffisent pour atteindre 87,8 % de réussite, contre 85,6 % pour un backbone de 2 milliards entraîné sur 50 démonstrations. En généralisation, le benchmark LIBERO-PRO donne 45,1 % de succès, contre 31,3 % au mieux pour les backbones plus petits. En manipulation de précision, l'insertion d'un chargeur en conditions réelles passe de 4 réussites sur 10 à 9 sur 10, les gains se concentrant sur l'alignement sensible au contact. La latence médiane atteint 216 ms par « action chunk », malgré la taille du modèle. L'enjeu est de tester une hypothèse que le secteur n'avait guère vérifiée : la plupart des politiques VLA s'appuient sur des backbones de quelques milliards de paramètres, et on ignorait si les représentations de VLM de classe frontière se transféraient au contrôle physique. Ces résultats suggèrent que la taille du backbone améliore à la fois la sobriété en données, la robustesse hors distribution et la précision de contact. Pour un intégrateur, le coût de collecte de démonstrations téléopérées, souvent le poste le plus lourd d'un déploiement, pourrait ainsi baisser. Quelques réserves s'imposent toutefois. Le gain en efficacité (87,8 % contre 85,6 %) reste modeste en valeur absolue, et 45,1 % sur LIBERO-PRO indique qu'on est encore loin d'une généralisation fiable. L'essai d'insertion de chargeur repose sur 10 essais, un échantillon trop faible pour une conclusion statistique solide. Enfin, la latence de 216 ms est annoncée sans précision sur le matériel utilisé, ce qui compte beaucoup pour un modèle de 552 milliards de paramètres, et une telle latence reste problématique pour du contrôle réactif à haute fréquence. Ce travail s'inscrit dans la tendance qui consiste à réutiliser des VLM généralistes comme fondation de politiques robotiques, une lignée qui va des premiers modèles RT-2 aux familles Pi-0 et GR00T. Les auteurs s'appuient aussi sur le constat que des VLM frontières, tel GPT-6 Astra, montrent déjà de bonnes aptitudes au pilotage de robots. Le choix d'un backbone open-weights de la famille DeepSeek, plutôt que d'un modèle fermé, rend la démarche plus reproductible pour les laboratoires académiques et européens. Il s'agit d'une publication de recherche, sans produit ni déploiement industriel annoncé à ce stade. Les prochaines étapes à surveiller sont la reproduction indépendante des résultats, la distillation vers des modèles embarquables et l'évaluation sur des tâches longues et sur plusieurs types de robots, seules à même de dire si l'échelle apporte un avantage décisif face aux approches plus compactes.

UELe backbone open-weights facilite la reproduction par les laboratoires académiques et européens, sans déploiement ni acteur européen directement impliqué.

IA physiqueActu
1 source
ACE Robotics lance ACE-Brain-0.6, un modèle de 9 milliards de paramètres optimisé pour l'ancrage visuel sur données spatiales
Illustration générée par IA
3Pandaily 

ACE Robotics lance ACE-Brain-0.6, un modèle de 9 milliards de paramètres optimisé pour l'ancrage visuel sur données spatiales

ACE Robotics a publié ACE-Brain-0.6, un modèle de fondation « embodied » d'environ 9 milliards de paramètres, spécialisé dans l'ancrage visuel (visual grounding), c'est-à-dire la capacité à relier une instruction en langage naturel à un emplacement précis, une partie d'objet ou une zone d'interaction dans une scène physique. Le modèle repose sur Qwen3.5-9B, avec un encodeur de vision gelé et un modèle de langage affiné sur environ un million d'échantillons de supervision spatiale vérifiables, couvrant quelque 940 000 images et 2,7 millions de paires question-réponse. Selon les résultats communiqués par l'entreprise, et non encore vérifiés de façon indépendante, ACE-Brain-0.6 devance GPT-6 Astra d'OpenAI sur six des huit évaluations : Where2Place (76,55 contre 71,10), PixMo-Count (89,41 contre 88,10), RoboSpatial (74,82 contre 69,55), RoboAfford (88,51 contre 84,94), ShareRobot (49,70 contre 46,60) et RobotGrounding, le jeu interne de l'équipe (94,13 contre 91,10). Sur sept benchmarks publics, la moyenne atteint 74,53 contre 73,68 pour Astra. RobotGrounding compte 2 591 questions réparties en 14 types de tâches, dont la localisation de petits objets, le comptage multi-instances, la détection d'une cible demandée mais absente et la mise en correspondance de cibles entre vues de caméras. Des comparaisons avec Gemini 4 Argon de Google, Claude Opus 5.5 d'Anthropic et d'autres modèles embodied ouverts sont également fournies. Pour les intégrateurs et les équipes qui construisent des piles VLA, l'intérêt tient moins au classement qu'à la méthode. Dans des essais à architecture et recette d'entraînement constantes, passer de 260 000 à environ un million d'échantillons fait monter la moyenne sur sept benchmarks de 69,3 à 74,5, selon une courbe quasi log-linéaire. Doubler les données rapporte en moyenne 2,4 points, alors que multiplier des échantillons du même type apporte moins d'un point : les gains viennent des nouvelles scènes, des nouvelles relations spatiales et des nouveaux formats de supervision, pas du volume brut. C'est un argument concret pour les décideurs qui arbitrent entre collecte massive et curation de la diversité. Un modèle de 9 milliards de paramètres qui égale ou dépasse des modèles généralistes de frontière sur ces tâches suggère aussi qu'une brique de perception spécialisée, plus légère à embarquer, reste compétitive. Les réserves sont nettes : les écarts sont modestes (0,85 point sur la moyenne publique), l'un des benchmarks gagnants est conçu par l'éditeur, et rien ne dit que ces scores d'ancrage se traduisent en taux de réussite de manipulation en conditions réelles. Aucun déploiement n'est annoncé. Le pipeline de données fusionne plus de 30 jeux de données robotiques ouverts avec des images égocentriques privées, puis s'appuie sur des outils comme Grounding DINO et SAM 3 pour convertir des indices d'état de pince et de mouvement en étiquettes spatiales contrôlables. Les réponses ne sont générées que lorsque la preuve visuelle est complète, par exemple avec des étiquettes d'instances exhaustives avant toute question de comptage. ACE Robotics, présidée par Xiaogang Wang, cofondateur de SenseTime, avait présenté ACE-Brain-0.5 comme une boucle unifiée percevoir-planifier-agir-évaluer ; la version 0.6 resserre le pari sur l'ancrage, vu comme le maillon entre raisonnement de haut niveau et exécution physique fiable. Les dépôts GitHub publics sous DAXIAORobotics listent toujours ACE-Brain-0 et 0.5, mais les poids de la 0.6 n'y figurent pas à ce jour, ce qui empêche pour l'instant toute reproduction externe des chiffres. L'entreprise se positionne face aux modèles de vision-langage des grands laboratoires américains et aux modèles embodied ouverts, une réplication indépendante et une éventuelle ouverture des poids seront les prochains tests de crédibilité.

IA physiqueActu
1 source
Anyverse Dynamics publie en open source MWA-Phoenix, un modèle d'action du monde de 7 milliards de paramètres embarqué pour robots
Illustration générée par IA
4Pandaily 

Anyverse Dynamics publie en open source MWA-Phoenix, un modèle d'action du monde de 7 milliards de paramètres embarqué pour robots

Anyverse Dynamics, société d'IA incarnée, a publié en open source MWA-Phoenix, un modèle d'action fondé sur un « world model » en espace latent, présenté comme un modèle de fondation pour la manipulation robotique. Il compte 7 milliards de paramètres et est conçu pour tourner directement sur le robot. Le code est disponible sur GitHub, accompagné d'un rapport technique. Le modèle travaille uniquement à partir d'images RGB, sans profondeur de référence. Selon l'entreprise, il se classe premier ou parmi les premiers sur six évaluations : 94,63 % sur LIBERO-Plus (perturbations de angle de caméra, d'éclairage, bruit capteur), 66,48 % sur LIBERO-Pro (objets, positions et objectifs modifiés), 82,67 % sur RoboCasa GR1 Tabletop (+7,5 points face à son précédent modèle WALA) et 72,42 % sur RoboTwin 2.0 en bimanuel. Il affiche aussi des résultats sur le classement RoboDojo en robot réel (trois morphologies, 18 tâches). Le chiffre le plus parlant vient de Bench2Dex, qui couvre 12 combinaisons de bras et de mains dextres : Phoenix y obtient 45,6 % de moyenne, soit 17,3 points de plus que la meilleure référence, pi0.5. Sur le plan technique, le backbone visuel est DINOv3, avec une distillation de deux modèles enseignants : VGGT pour la géométrie et V-JEPA pour la dynamique temporelle. Un VAE sémantique causal compresse ces représentations sans lire les images futures. Un expert vidéo et un expert d'action sont couplés par attention conjointe, de sorte que le modèle prédit simultanément l'évolution de la scène et l'action à exécuter. Deux modules complémentaires visent l'écart simulation/réel : Phoenix-ILA intègre mouvement et contact dans l'apprentissage de l'action pour la manipulation fine, et Phoenix-PhysCanvas est un monde simulé interactif où les politiques peuvent continuer à s'améliorer dans le cloud avant déploiement. Pour le contrôle temps réel, une exécution asynchrone prépare le prochain segment d'actions pendant que le robot bouge encore. Le pré-entraînement mêle opérations de robots réels, vidéo égocentrique humaine et captures UMI portées à la main. Pour les intégrateurs et responsables R&D, l'intérêt tient moins aux classements qu'au signal d'ouverture : un VLA/world action model de 7 milliards de paramètres exécutable en embarqué, avec code public, abaisse le coût d'entrée pour tester des politiques génératives sans dépendre d'une API cloud. Le score de 45,6 % sur Bench2Dex rappelle toutefois que le transfert de compétences entre morphologies différentes reste loin d'être résolu : l'avance sur pi0.5 est nette, mais l'absolu reste faible pour un usage industriel. Il faut aussi relever que tous les chiffres proviennent de l'entreprise, qu'elle affirme qu'aucune donnée de test n'a servi à l'entraînement sans vérification indépendante à ce stade, et que la majorité des benchmarks sont simulés. Seul RoboDojo touche du matériel réel, et rien n'indique de déploiement client ni de temps de cycle en production. Le contexte est celui d'une course aux modèles de fondation pour la manipulation, où pi0.5 fait figure de référence ouverte et où les approches « world model » (prédire la scène future pour guider l'action) gagnent du terrain face aux VLA purement réactifs. Anyverse Dynamics se positionne sur ce créneau en s'appuyant sur plus de 200 000 heures de données multimodales et annonce l'entraînement de modèles plus grands, sans calendrier précis. D'autres acteurs chinois explorent la même voie, comme Qianjue avec son modèle prédictif Polibrain ou Shengshu avec Motus2. La suite dépendra des reproductions indépendantes des résultats, des tests sur robots réels hors des benchmarks de l'éditeur et de la sortie des versions plus volumineuses.

IA physiqueActu
1 source