IA physiquePandaily 21 septembre 2026

Unitree ouvre partiellement les poids d'UnifoLM-WLA-1.0 après la présentation de ses 64 tâches

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Unitree Robotics a commencé à publier, depuis le 20 septembre 2026 selon la presse tech chinoise, des poids et jeux de données partiels pour UnifoLM-WLA-1.0, son modèle de fondation monde-langage-action d'environ 6 milliards de paramètres pour robots humanoïdes, après avoir déjà révélé l'architecture et une matrice d'évaluation de 64 tâches. Le code de post-entraînement, les poids du modèle de base UnifoLM-WLA-Base et les corpus de télé-opération corps entier restent, eux, annoncés pour plus tard, ce chantier logiciel étant distinct du récent rafraîchissement matériel G1+. Un point de contrôle unique, entraîné sur environ 2500 heures de données réelles issues des jeux ouverts Unitree et de sources comme BitRobot HIW-500, couvre 10 tâches corps entier et 54 tâches de table (plier du linge, ranger des assiettes, recharger des batteries) sans politique dédiée par tâche, via un espace d'action unifié compatible pinces à deux doigts et mains à cinq doigts. Un module de raisonnement associé, UnifoLM-ER-1-4B, bâti sur Qwen3-VL-4B avec plus de 5 millions d'échantillons spatiaux, revendiquerait la tête sur sept des seize benchmarks de perception multimodale testés par Unitree, dont Where2Place et EmbSpatial.

Ces chiffres restent toutefois auto-rapportés par Unitree, sans validation indépendante à ce stade, et ne démontrent pas un taux de réussite en conditions réelles dans des foyers inconnus. Pour les intégrateurs, le signal concret est celui d'une ouverture par paliers : des poids partiels utilisables dès maintenant, du code et des corpus plus complets encore attendus, ce qui rend toute revendication de portage vers des robots non-Unitree prématurée, à traiter comme une feuille de route plutôt qu'un kit fini. Le modèle s'inscrit surtout dans le pari central de la robotique généraliste actuelle : une seule politique VLA couvrant des dizaines de tâches hétérogènes plutôt qu'un modèle par geste, comme le visent aussi Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. En choisissant une diffusion ouverte, Unitree tente de peser dans cette course tout en s'alignant sur la stratégie open-source déjà adoptée par d'autres acteurs technologiques chinois.

Cette diffusion progressive prolonge une annonce antérieure de la page projet, qui présentait encore code, modèles et jeux de données comme à venir, et intervient alors que Unitree, connu jusque-là surtout pour ses humanoïdes G1 et H1 et leur récent rafraîchissement G1+, cherche aussi à s'imposer comme fournisseur de fondation logicielle, face à des rivaux occidentaux comme Physical Intelligence, NVIDIA ou Figure AI qui avancent sur des modèles VLA propriétaires ou partiellement ouverts. Aucun acteur français ou européen, comme Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools, n'apparaît dans cette annonce. La suite attendue porte sur les briques encore manquantes, code de post-entraînement, poids UnifoLM-WLA-Base et corpus de télé-opération, sans calendrier précis au-delà de mentions de livraisons ultérieures.

Dans nos dossiers

Figure Unitree Wandercraft Enchanted Tools — Mirokaï

À lire aussi

1Pandaily

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.

IA physiqueOpinion

1 source

2arXiv cs.RO

XR-1 : vers des modèles VLA polyvalents par apprentissage de représentations vision-mouvement unifiées

Une équipe de recherche a publié XR-1 (X Robotic Model 1), un cadre d'apprentissage pour modèles vision-langage-action (VLA) conçu pour opérer sur des robots hétérogènes, disponible en preprint arXiv sous la référence 2511.02776v2. La contribution centrale est l'introduction des UVMC (Unified Vision-Motion Codes), une représentation latente discrète apprise via un VQ-VAE à double branche qui encode conjointement la dynamique visuelle et le mouvement robotique. L'entraînement suit trois étapes : apprentissage auto-supervisé des UVMC, pré-entraînement guidé par UVMC sur de grands ensembles de données cross-embodiment, puis fine-tuning spécifique à chaque tâche. XR-1 a été validé sur plus de 14 000 rollouts couvrant six morphologies robotiques différentes et plus de 120 tâches de manipulation. Les benchmarks affichent des performances supérieures à celles de π0.5, π0 (Physical Intelligence), RDT, UniVLA et GR00T-N1.5 (NVIDIA), avec une robustesse avérée face aux objets inconnus, variations d'arrière-plan, distracteurs et changements d'éclairage. L'enjeu que XR-1 cherche à résoudre est structurant pour le secteur : la généralisation cross-embodiment, soit la capacité d'un seul modèle à piloter des robots aux morphologies radicalement différentes à partir de données hétérogènes incluant des démonstrations humaines. Les approches précédentes encodaient soit la dynamique visuelle, soit les actions robotiques, rarement les deux conjointement. Le UVMC agit comme représentation intermédiaire unifiée entre observations et actions, réduisant le fossé entre sources de données disparates. Dépasser π0.5 et GR00T-N1.5 sur des évaluations en monde réel plutôt qu'en simulation constitue un signal sérieux, même si les benchmarks VLA restent notoires pour leur sensibilité aux conditions exactes d'évaluation et au choix des tâches de test. XR-1 s'inscrit dans la dynamique de recherche autour des fondations VLA généralisables, accélérée par l'essor des VLM et des grands ensembles de données robotiques publics comme Open X-Embodiment et BridgeData V2. Ses concurrents directs sont Physical Intelligence avec la famille π0/π0.5, NVIDIA Robotics avec GR00T N1.5, et les projets académiques RDT et UniVLA. Il s'agit à ce stade d'un preprint (version 2), pas d'un produit commercialisé : aucun partenariat industriel ni calendrier de déploiement n'est annoncé. La page projet est accessible sur xr-1-vla.github.io.

IA physiqueOpinion

1 source

3arXiv cs.RO

OneVLA : un cadre unifié pour les tâches d'IA incarnée

Une équipe de recherche a publié fin mai 2026 sur arXiv (référence 2606.01241) un modèle baptisé OneVLA, présenté comme une architecture unifiée Vision-Langage-Action (VLA) capable de gérer à la fois la navigation autonome et la manipulation d'objets au sein d'un seul et même réseau. Le principe central repose sur une tête d'action commune qui génère des commandes de déplacement et des gestes de manipulation sans module séparé ni variante spécialisée selon la tâche. L'entraînement suit une stratégie progressive en plusieurs étapes, avec construction de jeux de données curés et un fine-tuning par Chain-of-Thought (CoT) visant à créer un transfert positif entre les deux domaines. Les expériences rapportées couvrent des environnements simulés et réels, et les auteurs affirment surpasser les modèles spécialisés à tâche unique ainsi que les approches cross-task existantes. Le code source et les poids du modèle sont annoncés comme devant être rendus publics, sans date précisée. L'enjeu est structurel pour le secteur : la quasi-totalité des VLA actuellement déployés ou publiés restent monolithiques par domaine. Pi-0 de Physical Intelligence excelle en manipulation dextère, GR00T N2 de NVIDIA intègre des capacités de navigation mais avec des têtes d'action distinctes, et la plupart des agents issus des travaux RT-X ou OpenVLA ne combinent pas les deux modalités de façon cohérente. Un modèle qui transfère positivement entre navigation et manipulation éviterait aux équipes d'intégration de maintenir deux pipelines d'inférence séparés, un coût opérationnel significatif en production. Le CoT appliqué à la planification motrice est également notable : il indique que le raisonnement symbolique peut renforcer la généralisation comportementale, une hypothèse jusqu'ici difficile à valider à l'échelle réelle. Ce travail s'inscrit dans une tendance de fond amorcée depuis 2024 vers les architectures dites "fondation" pour la robotique généraliste. Les limitations à signaler : il s'agit d'un preprint sans revue par les pairs, les benchmarks précis de performance (taux de succès par scénario, temps de cycle, conditions d'éclairage ou de charge) ne sont pas détaillés dans l'abstract, et aucune institution commerciale ni déploiement industriel n'est mentionné. Les prochaines étapes naturelles seraient la publication du code pour permettre une évaluation indépendante, ainsi qu'une validation sur plateformes humanoïdes réelles, là où la fusion navigation-manipulation est la plus critique pour des cas d'usage entrepôt ou logistique.

IA physiqueOpinion

1 source

4arXiv cs.RO

IA généralisable par ancrage de représentation et alignement langage-action pour les modèles VLA

Le laboratoire à l'origine de ce travail publie Anchor-Align, une méthode de finetuning pour les politiques vision-langage-action (VLA), décrite dans un article arXiv (2607.13429, juillet 2026, projet en ligne sur anchoralignvla.github.io). Le problème ciblé est concret : quand un modèle vision-langage préentraîné est affiné sur des démonstrations robotiques par clonage comportemental (behavior cloning), il perd progressivement les représentations qui lui permettaient de généraliser visuellement et sémantiquement. Le co-entraînement sur des données web texte-image, remède habituel, ne corrige pas le vrai défaut : les pertes de langage et d'action portent sur des observations différentes, ce qui laisse un désalignement langage-action invisible aux benchmarks de manipulation classiques. Anchor-Align ajoute deux objectifs d'entraînement, l'un qui distille les représentations couche par couche d'une copie figée du VLM d'origine, l'autre qui convertit chaque action cible en étiquette discrète de direction de mouvement pour entraîner conjointement langage et action sur la même observation robotique. Sur un bras robotique physique xArm7, avec deux architectures VLA largement utilisées, les taux de réussite passent de 28% à 54% pour l'une et de 37% à 60% pour l'autre. L'enjeu dépasse la seule courbe de performance : c'est une remise en cause d'un présupposé du secteur des VLA, celui du "plus de données de co-entraînement suffit" pour éviter l'oubli catastrophique. En montrant qu'il existe un désalignement structurel que les benchmarks de manipulation standards ne détectent pas, les auteurs pointent un angle mort méthodologique qui concerne tous les laboratoires construisant des politiques de type RT-2, OpenVLA, Pi-0 ou GR00T. Pour les équipes qui finetunent des VLA pour des tâches industrielles, le message est que préserver les représentations préentraînées et apprendre correctement l'action ne sont pas des objectifs contradictoires, contrairement à l'hypothèse implicite du compromis généralisation-performance. Il faut toutefois noter que la majorité des gains rapportés (LIBERO-PRO, LIBERO-Plus, CALVIN) proviennent de simulation, avec seulement deux architectures testées en conditions réelles sur un unique bras robotique, ce qui limite la portée immédiate pour un déploiement industriel à grande échelle. Le contexte est celui d'une course intense autour des modèles VLA depuis l'émergence de RT-2 puis des systèmes open source comme OpenVLA, où le clonage comportemental sur démonstrations téléopérées est devenu la recette standard malgré ses limites connues de généralisation. Anchor-Align se positionne comme une brique méthodologique plutôt qu'un produit ou un robot, sans annonce de partenariat industriel ni de calendrier de déploiement pour l'instant. La suite logique serait une validation sur davantage d'architectures et de plateformes physiques, ainsi qu'une comparaison directe avec les techniques de co-entraînement existantes utilisées par les acteurs commerciaux du secteur, pour voir si le gain se maintient à l'échelle des flottes industrielles réelles.

IA physiqueActu

1 source