RecherchePandaily 7 août 2026

PhiZero de la CASIA dote les modèles du monde d'un « langage physique » et divise les tokens par 175

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de l'Institute of Automation de l'Académie chinoise des sciences (CASIA) a publié sur arXiv cette semaine "PhiZero: A World Model Built Around Physical Language", un modèle du monde qui sépare la compréhension de la dynamique physique du rendu visuel. Plutôt que de prédire l'image suivante pixel par pixel, PhiZero convertit d'abord l'état du monde et une action en une courte séquence de tokens discrets, un "langage physique", via un tokenizer combinant un Q-Former au niveau des transitions et une quantification scalaire finie (FSQ). Un décodeur par diffusion transforme ensuite ces tokens en images, en réutilisant l'apparence de la première frame pour concentrer sa capacité sur le mouvement plutôt que sur la texture. Pour un clip de 33 images (4 secondes), PhiZero n'utilise que 256 tokens issus d'un vocabulaire d'environ 25 000 entrées, contre 44 800 tokens visuels continus pour le VAE de Wan2.2, soit une réduction d'un facteur 175, avec une qualité de reconstruction jugée compétitive.

Pour l'industrie robotique et les concepteurs de modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix, ce travail répond à un problème connu: les modèles du monde en pixels produisent des séquences visuellement convaincantes qui dérivent pourtant de la plausibilité physique, car l'apparence d'une scène partage sa capacité de paramètres avec la dynamique des objets. En séparant les deux, PhiZero propose un état court et discret, plus proche d'un langage de programmation que d'un codec vidéo, exploitable par des agents de planification à un coût de calcul bien inférieur à celui d'un flux pixel continu. Pour les intégrateurs, la promesse est une réduction drastique du volume de tokens à prédire sans perte de fidélité, donc des coûts d'inférence allégés. Le facteur 175x dépend toutefois du VAE de référence choisi: il s'agit d'un résultat de recherche publié sur arXiv, pas d'un système déployé sur un robot physique.

Ce travail s'inscrit dans une course plus large autour des modèles du monde pour la robotique embarquée, où plusieurs laboratoires cherchent à réduire l'écart entre prédiction vidéo et contrôle physique exploitable. En traitant le mouvement comme un langage discret plutôt que comme un signal continu, PhiZero fait écho aux tokenizers d'action déjà utilisés dans les modèles VLA récents, mais applique cette logique à la prédiction de dynamiques de scène entières. Aucun acteur français ou européen, tel que Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools, n'est associé à cette publication, qui reste pour l'instant un résultat de recherche chinois. Les prochaines étapes, non détaillées dans l'article, porteraient sur l'intégration de ce langage physique à des politiques de contrôle robotique réelles et sur des comparaisons avec d'autres tokenizers vidéo.

Dans nos dossiers

Wandercraft Enchanted Tools — Mirokaï Pollen Robotics — Reachy Exotec

À lire aussi

1arXiv cs.RO

IA physique : des modèles du monde aux modèles d'action, un tutoriel concis pour la robotique

Un article publié sur arXiv (2607.00836) dresse un état des lieux conceptuel des "world models" utilisés en robotique et en simulation générative, un terme dont le périmètre varie fortement selon les communautés de recherche. Les auteurs proposent une définition unifiée : un modèle du monde est un système conditionné par l'action qui prédit l'évolution future des observations ou des états pertinents pour une tâche donnée. Ils distinguent deux grandes familles : les modèles dans l'espace des observations, qui prédisent des images ou vidéos brutes, et les modèles dans l'espace des états, qui travaillent sur des représentations compactes. Chaque approche est comparée selon quatre critères : fidélité visuelle, structuration spatiale, interprétabilité physique et facilité d'usage pour le contrôle. Le papier introduit ensuite les "world action models", qui relient ces prédictions du futur à des actions robotiques exécutables, avec quatre paradigmes identifiés : imaginer puis exécuter, prédiction d'action conditionnée par des features vidéo, modélisation conjointe vidéo-action, et prédiction vidéo auxiliaire pour l'apprentissage de politiques. Cette clarification terminologique a une portée pratique pour les équipes qui développent des politiques robotiques : elle aide à choisir entre un modèle générateur de pixels, coûteux en calcul mais riche visuellement, et un modèle d'état plus léger, plus proche du contrôle temps réel mais moins interprétable. Elle formalise aussi un débat de fond du secteur : les modèles de génération vidéo produisent des démonstrations spectaculaires, mais leur utilité réelle pour piloter un bras ou un humanoïde reste à prouver, faute de garanties physiques strictes, ce qui rejoint les critiques récurrentes sur l'écart entre démo et déploiement réel. En distinguant explicitement l'approche "imaginer puis exécuter" des méthodes qui apprennent directement une politique conjointe vidéo-action, le tutoriel donne aux intégrateurs une grille de lecture pour évaluer les annonces commerciales selon ce qu'elles modélisent vraiment, plutôt que sur la seule qualité de leurs vidéos. Ce travail arrive alors que les world models occupent une place croissante dans la course aux modèles vision-langage-action, portée par des systèmes comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui combinent tous, à des degrés divers, prédiction du futur et génération d'actions. Sans analyser directement ces produits commerciaux, la taxonomie proposée offre un cadre académique pour resituer ces systèmes les uns par rapport aux autres, à un moment où la recherche universitaire tente de structurer conceptuellement un domaine dont la vitesse de publication industrielle a largement dépassé la théorie.

RecherchePaper

1 source

2arXiv cs.RO

Modèles vision-langage-action : superviser les VLA au-delà des actions physiques

Une équipe de recherche propose UVT (Unified Visuomotor Target), une méthode d'entraînement pour les modèles vision-langage-action (VLA), détaillée dans un article déposé sur arXiv en août 2026 (2608.03563v1). Le point de départ : les VLA sont entraînés à prédire directement des commandes moteur bas niveau à partir d'observations visuelles et de langage, alors que les modèles vision-langage sous-jacents encodent des représentations riches et de haut niveau des scènes et des objectifs, un décalage qui freine l'apprentissage. UVT introduit une cible latente unique encodant conjointement le contrôle moteur et la transition visuelle de la scène, sans modifier l'architecture ni ajouter de données. Testée sur deux systèmes VLA représentatifs, en simulation comme sur des tâches réelles de manipulation bimanuelle, elle améliore l'efficacité d'entraînement, la performance finale et la robustesse de la politique, avec des gains marqués sous budget d'entraînement limité ou en conditions difficiles. Pour l'industrie robotique, ce travail touche un point de friction bien identifié : la difficulté à obtenir des politiques VLA robustes sans volumes massifs de démonstrations téléopérées, coûteuses à collecter. En montrant qu'un simple changement de cible d'entraînement, sans toucher à l'architecture ni au volume de données, améliore l'efficacité et la robustesse, UVT s'inscrit dans une tendance cherchant à mieux exploiter l'information déjà présente dans les modèles vision-langage préentraînés plutôt que d'empiler paramètres ou données. Pour les équipes qui entraînent leurs propres politiques (laboratoires, intégrateurs, startups humanoïdes), c'est un levier peu coûteux à tester. Les résultats restent toutefois obtenus sur benchmarks et tâches de manipulation en conditions contrôlées ; leur généralisation à des environnements industriels variés et à d'autres familles de VLA n'est pas démontrée. L'article s'inscrit dans la vague de recherche VLA ouverte par des systèmes comme RT-2, OpenVLA, Pi-0 ou GR00T, qui adaptent des modèles vision-langage préentraînés à la prédiction d'actions robotiques. L'essentiel des travaux récents porte sur l'échelle des données ou sur l'architecture (tokenisation des actions, diffusion, mélange d'experts) ; UVT prend le contre-pied en questionnant la cible de supervision elle-même, tout en restant compatible avec les architectures VLA existantes, ce qui facilite en théorie son adoption. La publication ne mentionne aucun partenariat industriel ni déploiement au-delà des tests de laboratoire. Il s'agit pour l'instant d'une contribution méthodologique dont l'impact dépendra de sa reproduction sur d'autres jeux de données et d'autres plateformes robotiques, humanoïdes comprises.

RecherchePaper

1 source

3arXiv cs.RO

Real2Sim à base d'agents : modélisation physique du monde par agents vision-langage

Optimus, Figure, Gr00t... la robotique humanoïde progresse vite en démos mais bute toujours sur un même verrou technique : reconstruire un environnement réel en simulation physique exploitable. Un article arXiv (2607.19190) présente Agentic Real2Sim, un framework qui utilise des agents vision-langage (VLA) pour automatiser cette conversion. Concrètement, à partir d'un simple enregistrement d'une interaction robot-objet dans le monde réel, le système génère un "jumeau épisodique" simulable, préservant les observations visuelles, les géométries de la scène, les états des objets et les mouvements du robot. Les auteurs ont testé leur approche sur trois familles de scénarios distinctes habituellement traitées par des pipelines séparés : manipulation d'objets rigides, interaction avec des objets déformables, et mouvements humanoïdes. Point notable, le framework peut fonctionner avec un modèle vision-langage open-weight, à une fraction du coût des modèles frontier (type GPT-4V ou équivalents propriétaires), tout en obtenant un taux de conversion réussie comparable. L'enjeu dépasse la seule prouesse académique. Le goulot d'étranglement du "real2sim" est aujourd'hui l'un des principaux freins à l'entraînement de politiques robotiques par apprentissage : sans environnement simulé fidèle, impossible d'entraîner ou d'évaluer massivement des modèles de contrôle sans multiplier les essais coûteux sur robot physique. Actuellement, ce travail repose sur du réglage manuel de modèles de vision, du nettoyage de maillages 3D et de l'alignement de repères de coordonnées, un processus lent et peu reproductible d'un labo à l'autre. Automatiser cette étape via des agents autonomes, capables de prendre eux-mêmes les décisions de pipeline, pourrait accélérer la constitution de jeux de données d'entraînement pour les politiques de type VLA, un sujet clé alors que des acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) cherchent à démontrer que leurs modèles généralisent au-delà des données d'entraînement. Ce travail s'inscrit dans une tendance plus large de recherche visant à combler l'écart entre simulation et réel (le "sim-to-real gap"), longtemps considéré comme l'un des obstacles majeurs à la robotique généraliste. Il ne s'agit ici que d'une publication de recherche, avec un site de projet public, et non d'un produit commercial ou d'un déploiement industriel : les auteurs eux-mêmes le présentent comme "un premier pas" vers une conversion real2sim généralisable et à l'échelle, sans préciser de calendrier de mise à disposition ou d'intégration dans des pipelines industriels existants.

RecherchePaper

1 source

4arXiv cs.RO

Identifier l'habitude, la physique et la nuisance dans les modèles du monde des robots

Une équipe de recherche propose, dans un article publié sur arXiv (référence 2609.09210v1), une méthode pour décomposer les données de démonstrations téléopérées utilisées pour entraîner les modèles du monde en robotique. Le constat de départ est que ces démonstrations, collectées par téléopération, apparaissent multimodales même quand la dynamique physique sous-jacente est quasi déterministe une fois l'action connue. Les auteurs identifient trois facteurs mélangés dans ce bruit apparent : l'habitude de l'opérateur humain dans le choix des actions, la physique partagée du système, et le "nuisance" lié à l'observation (apparence, angle de caméra). Ils formalisent cette décomposition via un modèle causal structurel (a=g(h,z,u), z'=f(z,a), o=r(z,c)) et le valident par des interventions ciblées : remplacer ou mélanger les actions à état fixe dégrade fortement l'erreur de prédiction de l'état suivant, alors que des changements d'apparence ou de caméra ne devraient pas l'affecter. La règle d'adaptation qui en découle consiste à figer la partie du modèle qui lit la physique partagée et à ne mettre à jour qu'une fine interface. Testée sur trois bancs d'essai de manipulation robotique, StackCube, DROID et RH20T, cette approche améliore le transfert en few-shot par rapport à un entraînement complet from scratch, tout en conservant une dynamique plus propre face à des données d'adaptation corrompues. Cette contribution s'adresse directement à un point de friction connu des modèles vision-langage-action (VLA) et des world models robotiques : la difficulté à distinguer, dans des vidéos de démonstration, ce qui relève du vrai comportement physique de ce qui n'est qu'artefact de capture ou tic de l'opérateur humain. En proposant une méthode pour isoler ces facteurs sans tout réentraîner, les auteurs offrent une piste concrète pour réduire le coût d'adaptation des modèles de manipulation à de nouveaux environnements ou capteurs, un enjeu central pour les intégrateurs qui cherchent à déployer l'apprentissage par imitation à moindre coût de données. Le travail s'inscrit dans la lignée des recherches sur les architectures VLA et les world models pour la manipulation robotique, où les gains rapportés par StackCube, DROID et RH20T servent de référence communautaire pour comparer les méthodes de transfert. Les auteurs prennent soin de délimiter leur contribution : ils ne prétendent pas que les actions latentes équivalent à l'habitude de l'opérateur, ni ne visent les benchmarks de génération vidéo à grande échelle, signalant une portée volontairement méthodologique plutôt qu'un système de production prêt à déployer.

RecherchePaper

1 source