Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
IA physiquearXiv cs.RO 

RynnBrain 1.1 : vers un modèle fondation incarné plus performant et généralisable

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Voici l'article traduit et résumé :

RynnBrain 1.1 est une famille de modèles de fondation "embodied" pour la robotique, déclinée en trois tailles : 2 milliards, 9 milliards et 122 milliards de paramètres (avec 10 milliards actifs, architecture mixture-of-experts). Entraîné avec un cadre unifié spatio-temporel et physiquement ancré, le système gère la perception incarnée, le raisonnement spatial, la localisation et la planification. Par rapport à la version 1.0, cette itération ajoute la prédiction de points de contact sur toute la famille de modèles et un ancrage 3D natif pour les versions 2B et 9B, produisant des représentations directement exploitables pour la manipulation robotique. Les chercheurs ont également développé RynnBrain-VLA, doté d'un espace d'action unifié inter-plateformes et d'un masquage spécifique à chaque robot, déployé sur trois plateformes matérielles distinctes : l'humanoïde Unitree G1, l'Astribot-S1 et le Tianji-Wuji. Sur les benchmarks VSI-Bench, MMSI et RefSpatial-Bench, le modèle 122B surpasse l'ensemble des modèles propriétaires et open-source évalués en cognition incarnée, localisation et ancrage 3D.

Cette annonce s'inscrit dans la course aux modèles vision-langage-action (VLA) généralistes, où la capacité à transférer un même modèle sur plusieurs plateformes robotiques distinctes reste un obstacle majeur. Les expériences sur robot réel montrent que les politiques initialisées avec RynnBrain surpassent celles basées sur Qwen ainsi que d'autres VLA généralistes représentatifs, et que l'entraînement conjoint multi-tâches et multi-plateformes améliore les scores de processus et les taux de réussite par rapport à un entraînement tâche par tâche. Pour les intégrateurs et décideurs B2B, ce type de résultat, s'il se confirme au-delà des conditions de laboratoire, suggérerait qu'un socle de fondation partagé pourrait réduire le coût d'adaptation à chaque nouvelle plateforme matérielle, un enjeu central pour la commercialisation à l'échelle des humanoïdes.

Le déploiement simultané sur trois architectures robotiques différentes, dont l'humanoïde bipède Unitree G1, illustre la stratégie de généralisation cross-embodiment poursuivie par plusieurs laboratoires actuellement, en concurrence avec des approches comme Pi-0 ou GR00T N2. L'absence de détails sur les conditions précises des essais réels (nombre d'essais, environnements testés, sélection des vidéos démonstratives) invite toutefois à la prudence sur la portée exacte des gains rapportés. La publication ne mentionne pas de calendrier de déploiement commercial ni de partenaire industriel identifié, ce qui situe pour l'instant RynnBrain 1.1 au stade de la recherche plutôt que du produit prêt à l'emploi.

Dans nos dossiers

UnitreeIA physique & VLANVIDIA GR00TManipulation robotique

À lire aussi

ABot-N1 : vers un modèle fondation vision-langage-navigation généraliste
1arXiv cs.RO 

ABot-N1 : vers un modèle fondation vision-langage-navigation généraliste

Une équipe de recherche publie ABot-N1, un modèle fondateur de navigation vision-langage (VLN) décrit dans l'article arXiv:2607.10383v1. Le système repose sur une architecture "slow-fast" qui découple la cognition du contrôle : un raisonneur vision-langage lent effectue un raisonnement explicite en chaîne de pensée (Chain-of-Thought) et produit un "pixel goal", un jeu compact de points d'ancrage dans l'image servant d'interface universelle pour plusieurs tâches (atteinte de point, atteinte d'objet, atteinte de point d'intérêt, suivi d'instructions, suivi de personne). Un expert d'action rapide exploite ensuite ces indices textuels et pixel pour générer des waypoints continus à la fréquence native de contrôle du robot. Sur les benchmarks, ABot-N1 revendique de nouveaux records : le taux d'arrivée sur point d'intérêt (POI) progresse de 35 points, passant à 77,3%, avec des taux de réussite de 95,4% en intérieur complexe et 92,9% en extérieur. Les auteurs publient également en open source de nouveaux benchmarks Point-Goal et POI-Goal pour la navigation à l'échelle urbaine. L'enjeu dépassé la simple démonstration technique : les approches VLN actuelles reposent le plus souvent sur des politiques monolithiques qui mappent directement observations et actions, ce qui provoque des dérives de coordonnées et une gestion médiocre des cas rares (long-tail), tout en restant des boîtes noires peu interprétables. En séparant explicitement le raisonnement du contrôle bas niveau via des ancrages pixel, ABot-N1 cherche à concilier généralité, robustesse et transparence, un compromis que peu de modèles de navigation embarquée atteignent simultanément. Pour les intégrateurs robotiques et les concepteurs de flottes autonomes (livraison, AMR urbains, robots de service), c'est un signal que les modèles VLA/VLN à grande échelle commencent à traiter sérieusement l'écart entre démonstration en simulation et fiabilité en conditions réelles, notamment sur les scénarios urbains à grande échelle, historiquement un point faible du secteur. Le papier s'inscrit dans la vague plus large des modèles fondateurs de navigation et d'action visio-langage, qui cherche à unifier raisonnement spatial profond et polyvalence face à des tâches embarquées variées, un axe de recherche parallèle à celui des modèles manipulation-centric comme Pi-0 ou GR00T N2. En publiant à la fois le modèle et de nouveaux benchmarks Point-Goal/POI-Goal en open source, les auteurs positionnent ABot-N1 comme une base de comparaison pour la communauté plutôt qu'un produit commercial fini, sans calendrier de déploiement réel ni partenaire industriel annoncé à ce stade.

IA physiquePaper
1 source
π0.7 : un modèle fondation robotique généraliste et pilotable aux capacités émergentes
2arXiv cs.RO 

π0.7 : un modèle fondation robotique généraliste et pilotable aux capacités émergentes

Physical Intelligence, le laboratoire californien fondé en 2023 par d'anciens chercheurs de Google DeepMind et Stanford, publie π0.7 (pi-zéro-point-sept), un nouveau modèle de fondation robotique généraliste présenté dans un preprint arXiv (2604.15483) daté d'avril 2026. Le modèle démontre des capacités zero-shot sur des tâches multi-étapes en environnements inconnus : manipulation d'appareils de cuisine variés, pliage de linge sans avoir vu la tâche en entraînement, et opération d'une machine à expresso à un niveau de performance comparable à des modèles spécialisés entraînés par reinforcement learning. La généralisation cross-embodiment, c'est-à-dire la capacité à transférer des comportements entre plateformes robotiques différentes sans réentraînement dédié, est présentée comme une propriété émergente du système. L'innovation centrale de π0.7 est un mécanisme de conditionnement contextuel multimodal étendu. Là où la plupart des VLA (Vision-Language-Action models) se contentent d'une instruction textuelle, π0.7 reçoit en entrée de prompt des métadonnées sur la qualité de l'exécution, des images de sous-objectifs intermédiaires, et des informations sur la stratégie à adopter. Ce conditionnement riche permet d'intégrer à l'entraînement des données hétérogènes : démonstrations humaines, données autonomes potentiellement sous-optimales incluant des échecs, et données issues de sources non-robotiques. C'est un levier direct sur le problème du sim-to-real gap et sur le coût de collecte de données de qualité, deux freins majeurs au déploiement industriel. Pour un intégrateur ou un COO industriel, la promesse est concrète : un modèle qui fonctionne correctement sans fine-tuning coûteux sur chaque nouvelle tâche. Physical Intelligence avait introduit π0 fin 2024 comme premier modèle de fondation robotique à architecture flow matching, capable de piloter des bras manipulateurs avec haute dextérité. π0.7 constitue une évolution orientée généralité et pilotabilité plutôt que spécialisation. Dans le paysage concurrentiel, ce positionnement affronte directement Google DeepMind avec RT-2 et ses successeurs, Figure AI avec son modèle Helix, ainsi qu'1X Technologies. Aucun déploiement commercial n'est annoncé à ce stade : il s'agit d'un preprint académique sans validation industrielle publiée. Les évaluations portent sur plusieurs plateformes robotiques en laboratoire, et les prochaines étapes probables incluent des collaborations avec des fabricants de robots pour valider le passage à l'échelle en conditions réelles.

IA physiqueOpinion
1 source
GEAR-VLA : un modèle VLA intégrant la géométrie pour une manipulation robotique généralisable
3arXiv cs.RO 

GEAR-VLA : un modèle VLA intégrant la géométrie pour une manipulation robotique généralisable

Des chercheurs ont publié sur arXiv en juin 2026 (réf. 2606.08530) GEAR-VLA, un framework Vision-Language-Action (VLA) conçu pour généraliser la manipulation robotique à des objets inconnus, des décors visuels changeants et des morphologies hétérogènes. Sur le benchmark LIBERO, le modèle atteint les meilleures performances publiées à ce jour, ainsi que des résultats de pointe sur RoboTwin 2.0 et LIBERO-Plus en zero-shot. Sur un bras AgileX, GEAR-VLA affiche 85,9% de réussite ; sur le LDT-01, une morphologie absente de la phase d'entraînement, il obtient 81,0%. Le test le plus contraignant reste un benchmark de préhension universelle de 6 360 essais impliquant 212 objets inédits, où le modèle atteint 90,1% de succès. Le code et les poids seront mis en open source sur GitHub. Ce résultat s'attaque directement au problème qui freine le déploiement industriel des VLAs : la généralisation cross-embodiment et cross-catégorie d'objets. GEAR-VLA repose sur trois mécanismes distincts : un apprentissage coarse-to-fine avec préentraînement multi-sources, une intégration 3D sémantiquement alignée (backbone spatial 3D entraînable couplé à une voie visuelle VLM gelée), et une canonicalisation d'embodiment qui isole les différences morphologiques à l'interface bas niveau via un expert d'action continu de type DiT découplé en gradient. Les 90,1% obtenus sur 212 objets inédits en conditions réelles constituent une réponse partielle à l'hypothèse selon laquelle les VLAs exigent un fine-tuning spécifique à chaque nouvelle catégorie, même si l'absence d'évaluations sur des tâches longues et multi-étapes laisse la question ouverte pour les intégrateurs industriels. Les VLAs dominent la recherche en manipulation depuis RT-2 de Google DeepMind en 2023, avec des jalons successifs que sont OpenVLA (Berkeley), Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA en 2025. La compétition se joue aujourd'hui précisément sur la généralisation zéro-shot et le transfert cross-embodiment, deux axes sur lesquels GEAR-VLA revendique un avantage différenciant. Les benchmarks retenus, LIBERO et RoboTwin 2.0, sont désormais des références standard du domaine, ce qui rend les comparaisons directement lisibles pour la communauté. Il s'agit d'une publication académique sans partenaire industriel annoncé ni déploiement hors laboratoire confirmé. La mise en open source des poids permettra de valider ces résultats sur des plateformes plus complexes, notamment des configurations multi-bras ou à forte variabilité environnementale.

UELa mise en open source imminente des poids permettra aux laboratoires de robotique européens (INRIA, CEA-List, universités techniques) de benchmarker GEAR-VLA sur leurs propres plateformes sans dépendre d'un fine-tuning propriétaire, réduisant potentiellement la barrière à l'adoption industrielle des VLAs en Europe.

IA physiqueOpinion
1 source
Regardez : le premier modèle d'IA nativement incarnée promet des robots plus intelligents et plus performants
4Interesting Engineering 

Regardez : le premier modèle d'IA nativement incarnée promet des robots plus intelligents et plus performants

Robbyant, filiale d'intelligence artificielle incarnée du groupe chinois Ant Group (maison mère d'Alipay), a présenté LingBot-VA 2.0, un modèle de monde vidéo-action que l'entreprise qualifie de premier du secteur conçu nativement pour la robotique plutôt qu'adapté de systèmes de génération vidéo destinés au contenu numérique. Le modèle repose sur une architecture autorégressive entraînée depuis zéro : il prédit comment les actions d'un robot modifient son environnement, puis choisit l'action suivante à partir de ces relations causales. Robbyant met en avant quatre innovations : un tokenizer visuel-action sémantique compressant conjointement image et action, un pré-entraînement causal strict garantissant l'ordre temporel des prédictions, une architecture Mixture of Experts augmentant la capacité sans alourdir l'inférence, et un mécanisme d'inférence asynchrone qui recale en continu les prédictions sur les observations réelles pendant l'exécution. Selon l'entreprise, cette combinaison permet un contrôle en boucle fermée à 150 Hz sur un seul GPU, et le modèle s'adapte à une nouvelle tâche de manipulation avec seulement 20 démonstrations, par apprentissage en contexte, sans réentraînement. Robbyant a montré le système sur des tâches longues et précises : préparer un petit-déjeuner, déballer des colis, insérer des tubes, ramasser des vis, plier du linge, ouvrir des tiroirs. L'entreprise revendique aussi de meilleurs résultats que les méthodes existantes sur les benchmarks de simulation RoboTwin 2.0 et LIBERO. Ce lancement illustre un changement de philosophie dans les modèles fondation pour la robotique. La plupart des systèmes d'IA incarnée actuels réutilisent des modèles vidéo pensés pour générer du contenu grand public, qui privilégient qualité d'image et créativité au détriment de la précision physique et de la vitesse d'exécution. Adapter ces modèles à la robotique, selon Robbyant, dégrade la généralisation, un constat qui rejoint le débat récurrent dans le secteur des modèles vision-langage-action (VLA) sur l'écart entre démonstrations impressionnantes et fiabilité réelle. Si les chiffres avancés se confirment au-delà des vidéos sélectionnées par l'entreprise, ils positionneraient LingBot-VA 2.0 comme alternative face à des VLA généralistes comme Pi-0 ou GR00T N2, avec un argument clé pour les intégrateurs : moins de données pour déployer un nouveau geste, et un temps de cycle compatible avec du matériel limité à un seul GPU. La mémoire à long terme mise en avant, permettant de distinguer des situations visuellement identiques mais contextuellement différentes et d'exécuter des tâches multi-étapes avec comptage et répétition, répond à une limite connue des politiques robotiques actuelles sur les séquences longues. Robbyant a accéléré ses investissements en robotique humanoïde et modèles fondation physiques, dans un contexte où les groupes technologiques chinois, Ant Group mais aussi Unitree, AgiBot ou Xiaomi, intensifient la compétition face à des acteurs américains comme Figure AI ou Physical Intelligence. LingBot-VA 2.0 succède à une première version et s'inscrit dans une stratégie où l'entreprise dit vouloir accélérer le développement d'un écosystème ouvert, sans préciser de calendrier de commercialisation, de partenariats industriels ni de premiers déploiements pilotes. Pour l'instant, la démonstration reste cantonnée aux benchmarks de simulation et aux vidéos publiées par l'entreprise, sans validation indépendante en environnement de production, une réserve qui s'applique à la plupart des annonces de modèles fondation robotiques cette année.

IA physiqueOpinion
1 source