IA physiquePandaily 22 septembre 2026

Light Origins publie en open source Light-O1-Preview, son modèle corps entier de 6 milliards de paramètres

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Light Origins a mis en open source Light-O1-Preview, un modèle d'action « corps entier » d'environ 6 milliards de paramètres, publié sous licence Apache 2.0 sur Hugging Face et GitHub selon le blog technique de l'entreprise daté du 21 septembre. Ce checkpoint public constitue la partie visible de Light-O1, la ligne de fondation incarnée de Light Origins, distincte de son précédent cerveau de navigation LightNav-0. Le pipeline segmente des humains filmés en vidéo, reconstruit leur mouvement en trois dimensions, puis tokenise trajectoire, pose et état des mains en jetons discrets entrelacés avec le langage et la vision pour un pré-entraînement Transformer autorégressif. Des expériences de mise à l'échelle allant de 3,75 à 120 milliards de tokens multimodaux, soit jusqu'à environ 100 000 heures d'action humaine récupérée dans le plus grand budget testé, montreraient une baisse en loi de puissance de l'erreur de prédiction après adaptation à des données égocentriques, à des jeux de téléopération du Unitree G1 et aux corpus maison LightBot. Les démonstrations montrent ce modèle transféré sur LightBot et un Unitree G1 pour s'agenouiller, tenir l'équilibre, essuyer une surface ou saisir des objets. Bâti sur l'arbre Qwen3.5-4B-Base, le checkpoint accepte une instruction textuelle, produit une courte trace de raisonnement puis des séquences à 20 images par seconde, avec 138 valeurs par image couvrant mouvement racine, hauteur du bassin, lacet, 22 articulations et ouverture des mains. Déployer ces trajectoires exige encore un modèle de comportement séparé : l'exemple Unitree G1 documenté tourne aujourd'hui en simulation avec un checkpoint de politique additionnel. Light Origins revendique 79,3% de succès sur 24 tâches en simulation de cuisine RoboCasa GR-1, un chiffre produit en interne, sans classement public indépendant.

Pour les intégrateurs et équipes robotique, Light-O1-Preview n'est pas un système clé en main mais une couche de « prior » de mouvement téléchargeable sous licence permissive, qui permet de tester publiquement l'hypothèse d'un pré-entraînement sur vidéo humaine généralisable à plusieurs embodiments, une piste aussi suivie par Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. La qualité de la manipulation locomotrice inter-embodiments dépend cependant toujours de données d'adaptation et de contrôleurs bas niveau restés partiellement propriétaires, ce que cette publication ne résout pas. Le taux de 79,3% cité provient d'un benchmark maison, non d'un classement tiers vérifiable, et les démonstrations mêlent simulation et robot réel sans distinction toujours explicite : la sortie relève donc pour l'instant davantage de l'ouverture de recherche que d'un produit déployé en usine ou en entrepôt.

Light-O1-Preview prolonge la stratégie de Light Origins consistant à bâtir des modèles fondation incarnés à partir de vidéos humaines plutôt que de téléopération coûteuse à grande échelle, après son précédent LightNav-0 dédié à la navigation. L'entreprise positionne ainsi Light-O1 face aux laboratoires occidentaux de modèles vision-langage-action déjà cités, dans une course où des poids ouverts sous Apache 2.0 restent rares comparés aux offres fermées de Physical Intelligence ou NVIDIA. Le recours au Unitree G1 comme plateforme de référence confirme le rôle de ce humanoïde chinois comme banc d'essai standard pour plusieurs équipes de recherche. Aucune date de pilote industriel n'est annoncée en dehors des environnements de simulation et de démonstration ; l'étape suivante reste l'ajout d'un modèle de comportement ou d'un contrôleur bas niveau capable de transformer ces séquences en commandes robot fiables en conditions réelles.

Impact France/UE

Aucun acteur ni déploiement français ou européen n'est implique, mais les équipes robotique européennes peuvent télécharger ce modèle Apache 2.0 pour évaluer l'hypothèse d'un pré-entrainement vidéo humaine généralisable.

Dans nos dossiers

Unitree IA physique & VLA NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1Pandaily

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.

UEPas d\'impact direct sur la France/UE

IA physiqueActu

1 source

2Pandaily

Amap met en open source Lambda-0, un modèle humanoïde corps entier entraîné uniquement sur des données humaines à la première personne

Amap, la filiale de cartographie et de localisation d'Alibaba Group, a publié en open source Lambda-0, un modèle de fondation « whole-body » pour robots humanoïdes entraîné uniquement sur des données humaines en vue subjective. Le travail a été mené avec le groupe d'activités ATH d'Alibaba. Le code est disponible sur GitHub sous licence Apache 2.0, accompagné d'un papier sur arXiv. L'équipe a collecté 500 heures de données humaines en environnement ouvert, réunies dans le jeu HumanVerse-500, qui aligne vision, mouvements du corps et actions des mains. Les opérateurs portent des appareils grand public et enregistrent leurs déplacements dans des lieux quotidiens, sans robot. Pour une tâche représentative, une démonstration prend environ 29 secondes à collecter, contre environ 100 secondes avec un robot physique, soit un gain d'efficacité d'environ 3,4 fois. L'entraînement se fait en trois étapes (interaction manuelle, coordination du corps entier, puis adaptation à l'embodiment humanoïde). Il s'appuie sur une mise en correspondance des points de vue et sur un alignement d'actions « du grossier au fin », destinés à compenser les écarts morphologiques entre humain et robot. Selon le papier, Lambda-0 obtient environ 90 % sur le benchmark de simulation SIMPLE. Sur sept tâches de manipulation mobile à corps entier et à long horizon, il est transféré en zero-shot sur un Unitree G1 avec des données humaines seules, pour un taux de réussite réel de 62,5 %, soit 22,5 points de plus que la meilleure référence. L'enjeu est le coût de la donnée, aujourd'hui principal goulot d'étranglement des modèles vision-langage-action (VLA) pour humanoïdes. La téléopération de robots réels est chère et lente à passer à l'échelle. Si des humains équipés de capteurs légers peuvent produire des démonstrations 3,4 fois plus vite, et que ces données se transfèrent à une machine sans démonstration robotique, l'économie de l'apprentissage change nettement. Le point le plus intéressant est que, à démonstrations robot constantes, ajouter des données humaines corps entier continue d'améliorer les performances réelles. C'est un signal en faveur d'une loi d'échelle côté données humaines, y compris pour la locomotion et la posture, alors que la plupart des VLA en vue subjective se concentrent sur les mains et les bras. Il faut toutefois rester prudent. Les chiffres viennent du papier de l'équipe et n'ont pas été reproduits de façon indépendante. Un taux de 62,5 % sur sept tâches reste loin d'une fiabilité industrielle. Le gain de 3,4 fois porte sur une seule tâche choisie comme représentative. L'écart entre benchmark de simulation et déploiement réel demeure donc entier. Pour les intégrateurs, il s'agit pour l'instant d'une brique de recherche réutilisable, pas d'un produit livrable. Ce lancement prolonge les travaux récents d'Amap sur les modèles du monde appliqués aux villes en 3D, auxquels il ajoute un volet incarné, après la sortie d'ABot-Earth 0.7. Il s'inscrit dans une tendance plus large. Plusieurs laboratoires chinois et américains cherchent à remplacer la téléopération par de la donnée humaine, à l'image de projets comme HIL-UMI, de l'Université de Pékin et PrimeBot. Face à eux, des acteurs comme Figure (Helix), Physical Intelligence (Pi-0) ou NVIDIA (GR00T) misent surtout sur des corpus robotiques propriétaires et de la simulation. La publication sous Apache 2.0 permet à d'autres équipes de tester l'approche sur d'autres plateformes que le G1 d'Unitree. Aucun pilote commercial ni calendrier de déploiement n'est annoncé, et la suite dépendra de la reproduction des résultats et de leur validation sur des tâches plus longues et plus variées.

UEPas d\'impact direct sur la France/UE

IA physiqueActu

1 source

3Pandaily

Light Origins ouvre le code source de LightNav-0, son cerveau de navigation généraliste

Light Origins a publié en open source LightNav-0, un modèle de navigation généraliste compact bâti sur un socle Qwen3-VL-4B, avec poids, code, rapport technique et kit d'évaluation INSIGHT-Bench, sous licence Apache 2.0 (GitHub lightorigins/LightNav-0, Hugging Face LightOriginsHQ/LightNav-0). Le modèle partage une interface à token unique pour le suivi d'instructions, la navigation vers des objets en vocabulaire ouvert et le suivi visuel, sans têtes de prédiction dédiées par tâche. Son entraînement repose sur un pipeline Real2Sim2Real convertissant plus de 2000 scènes réelles glanées sur internet en simulateurs réutilisables, générant plus de 4000 heures de données vision-langage-action, avant trois phases d'apprentissage (pré-entraînement de raisonnement incarné, fine-tuning supervisé sur trajectoires alignées, puis renforcement en ligne) et une randomisation de la hauteur, du champ de vision et de l'inclinaison de caméra. Light Origins affirme que sa version monoculaire RGB arrive première parmi les méthodes à caméra unique sur dix bancs d'essai (VLN-CE, navigation d'objets sur Matterport3D/HM3D, HM3D-OVON, suivi EVT-Bench), tout en restant compétitive face aux systèmes panoramiques, via des tokens de pointage spatial et un tokenizer d'action à quantification vectorielle résiduelle générant des séquences de dix points de passage avec une erreur de reconstruction centimétrique selon les propres tests de l'équipe. Des démonstrations zero-shot transfèrent le même modèle sur des robots humanoïdes, quadrupèdes, à roues et aériens, en intérieur comme en extérieur, jusqu'au suivi dans une rue encombrée. Pour l'industrie robotique, l'intérêt ne tient pas tant au score de navigation qu'à la démonstration d'une boucle reproductible: scènes réelles vers simulation, puis retour vers des corps hétérogènes, ce qui pourrait réduire la dépendance à la téléopération pour collecter des données de navigation. La publication complète sous licence permissive tranche avec des modèles VLA plus fermés comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, et donne aux intégrateurs une base testable plutôt qu'une démonstration fermée. Le fait qu'un même checkpoint pilote sans réentraînement des humanoïdes, quadrupèdes, plateformes à roues et drones appuie l'idée qu'un cerveau de navigation générique et transférable entre morphologies est atteignable, hypothèse encore débattue dans le secteur. Il faut cependant nuancer les chiffres avancés: le classement sur dix bancs d'essai et l'erreur de reconstruction centimétrique proviennent des propres évaluations et ablations de Light Origins, sans validation indépendante rapportée, ce qui invite à traiter ces résultats comme des annonces à confirmer plutôt que des faits établis. LightNav-0 s'inscrit dans la vague des modèles vision-langage-action ouverts qui cherchent à concurrencer des systèmes propriétaires en misant sur la reproductibilité et l'adoption communautaire plutôt que sur la démonstration marketing. L'article ne mentionne aucun acteur français ou européen ni de partenariat de déploiement industriel; la comparaison implicite se fait avec des laboratoires et fabricants positionnés sur la navigation et la manipulation par VLA, tels que Physical Intelligence ou Nvidia. Aucun calendrier de pilote commercial n'est communiqué: les artefacts sont disponibles immédiatement, ouvrant la voie à des fine-tunings communautaires sur de nouvelles morphologies plutôt qu'à un déploiement annoncé chez un client.

IA physiqueOpinion

1 source

4arXiv 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