DeepCybo PhysBrain 1.5 obtient un score de 72,5 sur 28 benchmarks en tant que modèle fondation physique ouvert

PhysBrain 1.5 : des modèles vision-langage aux modèles fondation pour l'IA physique

PhysBrain 1.5, décrit dans une publication arXiv (2609.14973v1, soumission croisée), est un modèle unifié qui fusionne compréhension de scène, génération d'actions et prédiction d'états futurs dans un seul cadre d'apprentissage. Bâti sur un modèle vision-langage généraliste, il encode réponses textuelles, mouvements de l'effecteur terminal et cibles visuelles denses en séquences discrètes, optimisées conjointement par prédiction autorégressive du token suivant. Le pré-entraînement s'appuie entièrement sur des vidéos d'interaction humaine, sans donnée robot, via des épisodes centrés sur des tâches associant contexte sémantique et spatial au mouvement reconstruit et aux observations suivantes. L'ajustement supervisé combine ensuite démonstrations humaines, trajectoires robotiques et expérience simulée. Sur 28 benchmarks de compréhension incarnée, le modèle de 8 milliards de paramètres obtient un score moyen de 72,5, nouveau record open source, à la hauteur de modèles propriétaires comme GPT-6-Astra et Gemini 3.6 Flash, et meilleur résultat open source sur 14 des 28 benchmarks. L'enjeu pour l'industrie robotique tient à la source de supervision : pré-entraîner un modèle d'action à partir de vidéos humaines ordinaires, plutôt que de coûteuses données de téléopération robotique, attaquerait le principal goulot d'étranglement des modèles vision-langage-action (VLA) pour bras et humanoïdes. Qu'un modèle ouvert de 8B rivalise avec des systèmes propriétaires sur la compréhension intéresse les intégrateurs cherchant un déploiement local sans dépendre d'une API fermée. Réserve importante toutefois : la génération de trajectoires et la prédiction de scènes futures (RGB, profondeur, masques robot) ne reposent que sur des exemples qualitatifs, sans taux de réussite ni temps de cycle chiffrés, un écart classique entre démonstration et fiabilité de terrain. Ce travail s'inscrit dans la vague des modèles vision-langage-action qui unifient perception, langage et contrôle moteur dans un même transformeur autorégressif, aux côtés d'approches comme Pi-0, GR00T N2 ou Helix, et se positionne explicitement face aux modèles multimodaux propriétaires des grands laboratoires. Il s'agit d'une publication de recherche arXiv, pas d'un produit livré ni d'un déploiement commercial : aucune entreprise, plateforme robotique ni calendrier de disponibilité n'est précisé. La suite logique serait une évaluation quantitative des capacités d'action sur robot réel, afin de vérifier si les démonstrations qualitatives se traduisent en performances reproductibles hors laboratoire.

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

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.

IA incarnée en évolution : Embodied-R1.5 améliore l'intelligence physique grâce aux modèles fondation

Une équipe de chercheurs a publié sur arXiv Embodied-R1.5, un modèle de fondation incarné (EFM pour Embodied Foundation Model) de 8 milliards de paramètres intégrant cognition incarnée, planification, auto-correction et pointage d'affordances dans une architecture unifiée, entraîné sur un corpus dépassant 15 milliards de tokens construit via trois pipelines automatisés. Le cadre Planner-Grounder-Corrector (PGC) en boucle fermée permet l'exécution autonome et l'auto-correction sur des tâches longues, soutenu par une recette d'apprentissage par renforcement multi-tâches équilibré pour atténuer les conflits entre sous-domaines hétérogènes. Sur les benchmarks standardisés, Embodied-R1.5 atteint l'état de l'art sur 16 des 24 benchmarks de VLM incarnés, devançant Gemini-Robotics-ER-1.5 de Google DeepMind et GPT-5.4 d'OpenAI. Adapté en VLA (Vision-Language-Action) avec peu de données de fine-tuning, il surpasse pi-0.5 de Physical Intelligence sur quatre suites de benchmarks de manipulation. Des tests zero-shot sur robot réel valident les performances en suivi d'instructions, ancrage d'affordances, manipulation d'objets articulés et tâches longues, les poids, le code d'entraînement et EmbodiedEvalKit, un framework d'évaluation dédié, étant publiés en open source. Qu'un modèle de 8 milliards de paramètres surpasse des systèmes adossés aux ressources de Google et d'OpenAI est un signal notable pour les intégrateurs industriels, car la compacité ouvre la voie à un déploiement embarqué sur plateformes contraintes. L'auto-correction en boucle fermée du PGC répond directement au demo-to-reality gap qui freine la commercialisation des robots polyvalents, tandis que la capacité à fine-tuner en VLA avec peu de données cible le goulot d'étranglement central de la collecte de données de manipulation étiquetées. L'open source complet facilite la comparaison reproductible et devrait accélérer les itérations communautaires, à condition que les performances zero-shot annoncées soient confirmées dans des configurations adversariales que le papier ne documente pas. Embodied-R1.5 s'inscrit dans la vague des modèles de fondation robotiques généraux densifiée depuis RT-2 de Google et OpenVLA, avec pour concurrents directs Physical Intelligence (pi-0, pi-0.5) et Google DeepMind (Gemini Robotics). L'absence d'acteurs européens parmi les concurrents benchmarkés reflète le retard du continent, où des acteurs comme Wandercraft ou Enchanted Tools restent cantonnés à des niches spécialisées. L'approche open source total distingue ce travail des modèles propriétaires de Figure AI (Figure 03) ou de 1X Technologies, positionnant potentiellement Embodied-R1.5 comme base de référence pour les laboratoires et industriels souhaitant spécialiser un EFM sur leurs propres flux de manipulation.

💬 8 milliards de paramètres qui coiffent Gemini Robotics et GPT-5.4 sur leurs propres benchmarks, en open source total, c'est inattendu. L'auto-correction en boucle fermée s'attaque directement au fossé entre la démo en labo et le robot qui tient la route en prod, ce qui est le vrai mur depuis RT-2. Bon, le papier esquive les configurations difficiles, donc on verra ce que ça donne quand la communauté s'en empare.

Unitree ouvre la page du projet UnifoLM-WLA-1.0, son modèle fondation pour humanoïdes

Unitree a mis en ligne le 10 septembre la page projet de UnifoLM-WLA-1.0, un modèle de fondation vision-langage-action pour humanoïdes généralistes d'environ 6 milliards de paramètres. Un checkpoint unique, entraîné sur environ 2500 heures de données réelles collectées sur robot, coordonnerait 64 tâches réparties entre 10 mouvements impliquant tout le corps et 54 manipulations de table, avec compatibilité pinces à deux doigts et mains dextres à cinq doigts. Distinct de la précédente démonstration de combat UnifoLM-X2, ce modèle cible les tâches domestiques et de bureau courantes. L'architecture associe une modélisation du monde centrée sur l'interaction, un module de raisonnement incarné baptisé UnifoLM-ER-1 et bâti sur Qwen3-VL-4B (plus de 5 millions d'échantillons couvrant détection, trajectoires 2D, détection 3D et raisonnement spatial), une prédiction de zones dynamiques par flux optique compressée via un VQ-VAE, et un apprentissage d'actions discrètes par quantification vectorielle résiduelle alimentant un expert MMDiT. Sur seize bancs d'essai multimodaux, Unitree revendique la tête parmi les modèles ouverts sur sept d'entre eux, et un score supérieur au modèle propriétaire GPT-6 Astra sur des tests spatiaux comme Where2Place ou CV-Bench, illustré par des vidéos tournées sur robot G1 (plier du linge, faire un lit, ranger des chaussures, nettoyer une salle de bain). Cette annonce s'inscrit dans la course engagée autour des modèles de fondation pour humanoïdes, aux côtés de Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure AI, où l'enjeu est de faire tenir dans une seule politique la manipulation fine et la locomotion du corps entier. Sa portée pratique reste toutefois limitée à ce stade : la page projet promet un accès open source, mais code, poids et jeux de données affichent tous la mention "coming soon". Les vidéos de démonstration restent des séquences choisies par le fabricant, sans validation indépendante, et la comparaison à GPT-6 Astra provient d'une évaluation interne non vérifiée par un tiers. Pour les intégrateurs et décideurs industriels, le signal utile à ce jour est donc une feuille de route et une architecture documentées, pas encore un checkpoint prêt à déployer sur du matériel tiers. Unitree, fabricant chinois connu pour ses humanoïdes H1 et G1, avait déjà exposé UnifoLM-X2, une démonstration de sparring centrée sur la réactivité motrice plutôt que sur la polyvalence cognitive. UnifoLM-WLA-1.0 s'inscrit dans une compétition mondiale où Tesla avance avec Optimus Gen 3, Figure AI avec Figure 03 et son modèle Helix, et Nvidia avec GR00T N2, chacun cherchant à démontrer qu'un même modèle vision-langage-action peut généraliser à des dizaines de tâches ménagères ou industrielles sans réentraînement spécifique. Aucune date ferme n'a été communiquée pour la publication effective du code, des poids et des corpus d'entraînement (Unitree Open Datasets, BitRobot-HIW-500) annoncés comme open source. En attendant, chercheurs et intégrateurs devront se contenter du tableau de benchmarks et de la description architecturale publiés sur la page projet.