Aller au contenu principal
Simate présente le système d'IA physique Simate-beta et affirme dominer le benchmark RoboDojoIllustration générée par IA
IA physiquePandaily 

Simate présente le système d'IA physique Simate-beta et affirme dominer le benchmark RoboDojo

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Simate, une startup d'IA embarquée fondée il y a environ trois mois, a publié Simate-beta, première version de ce qu'elle présente comme un « système rapide » physique généraliste. Selon un instantané du classement daté du 23 septembre, que l'entreprise a elle-même partagé, le modèle prend la première place du benchmark RoboDojo avec un score moyen de 33,95 et un taux de réussite de 27,96 %. RoboDojo évalue la manipulation robotique générale selon cinq axes : généralisation, mémoire, manipulation fine, exécution à long horizon et tâches ouvertes. Simate précise que le modèle de base soumis n'a pas été optimisé spécifiquement pour ce test, et que les résultats du classement sont distincts de ses démonstrations sur robot réel. Ce système rapide est conçu pour se placer sous un modèle de raisonnement plus lent. Quand ce dernier décompose une consigne comme « ranger la table », le système rapide perçoit une scène changeante et produit des actions en quelques millisecondes. L'entreprise revendique une perception physique 4D et une mémoire temporelle hiérarchique, censées permettre au robot de suivre ce qui vient de se passer sans être ralenti par de longs historiques. Les démonstrations couvrent l'adaptation à une tâche à partir d'exemples, la mémoire, des enchaînements comme la préparation du thé et la manipulation fine. L'architecture et la taille du modèle seront détaillées dans un rapport technique ultérieur.

Le score le plus marquant est sans doute relatif : un taux de réussite inférieur à 28 % en tête d'un classement rappelle que la manipulation généraliste reste loin d'être résolue, et qu'un rang n'est pas un niveau de fiabilité exploitable en production. Le résultat reste auto-rapporté à partir d'un instantané fourni par l'entreprise, sans détail sur l'architecture, les paramètres ou les données, et il est impossible de le comparer à des modèles établis à ce stade. L'intérêt est ailleurs, dans la méthode. Simate parle d'« IA pour l'IA physique » : son cadre Sipai définit des frontières de modules, des interfaces et des étapes de validation assez nettes pour que des agents logiciels puissent les modifier, et prend déjà en charge les modèles du monde, les modèles monde-action, les VLA (vision-langage-action) et les VLM. Son moteur AutoResearch fusionne articles, notes internes, code, mélanges de données, journaux d'expériences et nouveaux résultats d'évaluation en un contexte de recherche mis à jour en continu. Les chercheurs humains fixent hypothèses, objectifs et contraintes, tandis que les agents décomposent, lancent et rapportent les expériences. L'infrastructure fait tourner des dizaines de pistes en parallèle, filtrées par des modèles du monde et de la simulation pour que seules les approches prometteuses atteignent les robots réels. Si cela fonctionne, le goulot d'étranglement de l'itération en robotique se déplacerait de la collecte de données sur robot vers la capacité de calcul et l'automatisation de la recherche.

Côté contexte, Simate affirme que son équipe fondatrice a déjà mis en production de masse un modèle de conduite autonome de bout en bout, un parcours désormais courant chez les acteurs chinois de l'IA incarnée. Le site anglophone de la société cite Sinfra comme plateforme de développement, Sipai comme système de modèles et RoboScientist, un scientifique IA en préversion de recherche. Elle indique que des chercheurs du MIT, de Caltech, de l'université Tsinghua et de l'université de Pékin figurent parmi les testeurs internes de sa plateforme, sans que cela soit vérifiable. Le modèle arrive dans un champ déjà occupé par les architectures à double système, comme Helix de Figure ou GR00T de NVIDIA, et par des modèles généralistes comme Pi-0. La suite est annoncée : des résultats de généralisation zero-shot sur des tâches complexes d'ici la fin de l'année, puis des articles, des rapports techniques et une publication du code en open source par étapes. Aucun déploiement client, prix ni calendrier commercial n'a été communiqué. Il s'agit donc d'une annonce de modèle et de méthode, pas d'un produit livré.

À lire aussi

Runway présente Praxis-1, un modèle du monde et d'action pour la robotique
Illustration générée par IA
1The Robot Report 

Runway présente Praxis-1, un modèle du monde et d'action pour la robotique

Runway AI, la société new-yorkaise fondée en 2018 et connue pour ses modèles génératifs vidéo, a présenté cette semaine Praxis-1, un « world action model » à poids ouverts qui convertit son pré-entraînement vidéo à grande échelle en commandes pour robots. Le modèle s'appuie sur la même base que les world models généraux de l'entreprise (GWM-1, Gen-4.5, Aleph 2.0, Act-Two) et apprend surtout à partir de vidéos filmées à la troisième personne, non de démonstrations téléopérées. Il a été entraîné sur des tâches de manipulation allant du simple pick-and-place (soulever des canettes) à la manipulation d'objets déformables (emballer des sacs cadeaux).

IA physiqueActu
1 source
Kawasaki Robotics présente son robot IA physique à 8 axes et ses technologies d'automatisation intelligente à Automate 2026
Illustration générée par IA
2Robotics & Automation News 

Kawasaki Robotics présente son robot IA physique à 8 axes et ses technologies d'automatisation intelligente à Automate 2026

Kawasaki Robotics a présenté son nouveau robot RL030N à l'Automate 2026 de Chicago, événement de référence pour l'automatisation industrielle en Amérique du Nord. Pièce centrale de la participation, le RL030N est une plateforme à 8 degrés de liberté (8-DoF) positionnée pour les applications de "Physical AI", soit des systèmes capables d'adapter leur comportement à partir de données d'environnement en temps réel. Kawasaki a également mis en avant sa technologie Pulseboard (brevetée), ainsi qu'un ensemble de briques d'intégration couvrant la vision industrielle, l'apprentissage machine et le contrôle temps réel. Les détails techniques complets, notamment charge utile, temps de cycle et prix, n'ont pas été communiqués à l'issue du salon.

UELe positionnement de Kawasaki sur l'IA physique industrielle amplifie la pression concurrentielle sur les constructeurs européens (KUKA, ABB) et les intégrateurs français dans l'automatisation adaptative, sans déploiement européen annoncé à ce stade.

IA physiqueOpinion
1 source
Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate
Illustration générée par IA
3The Robot Report 

Kawasaki Robotics dévoile sa plateforme d'IA physique RL030N à Automate

Kawasaki Robotics dévoilera la semaine prochaine, lors du salon Automate 2026 à Chicago (McCormick Place, stand S-2201), sa nouvelle plateforme RL030N, un bras robotique à 8 degrés de liberté (DoF) conçu pour les applications d'IA physique. L'entreprise présentera également deux robots industriels inédits, le MXP360L dédié à la manutention lourde et le BA013L, ainsi que sa technologie d'inspection Pulseboard brevetée. Le RL030N se distingue des bras six axes conventionnels par un axe supplémentaire en configuration dite "plongeoir" ("diving board") : une extension supplémentaire qui permet d'atteindre des positions en espace confiné sans tomber en singularité, c'est-à-dire sans perdre le contrôle du couple cinématique inverse.

UEKawasaki dispose d'une filiale européenne (KRE, Allemagne) et équipe les lignes de production EU, mais la RL030N est présentée exclusivement sur le marché américain sans calendrier ni partenariat européen annoncé.

IA physiqueOpinion
1 source
Le modèle d'action du monde VPP2 de Robotera domine RoboDojo et atteint 58,5 % en zéro-shot sur de vrais bras ALOHA
Illustration générée par IA
4Pandaily 

Le modèle d'action du monde VPP2 de Robotera domine RoboDojo et atteint 58,5 % en zéro-shot sur de vrais bras ALOHA

Robotera, la société robotique issue de Tsinghua, affirme que son modèle VPP2, un world action model (modèle qui prédit l'évolution visuelle de la scène avant d'en déduire les actions), occupe la première place de RoboDojo. Ce benchmark de simulation est piloté par le MMLab de l'Université de Hong Kong avec près de 20 institutions académiques. Selon QbitAI, VPP2 obtient un taux de succès moyen de 32,26 % et un score moyen de 39,26 sur les 42 tâches bimanuelles du test, qui couvre la généralisation, la manipulation de précision, les tâches longues, la mémoire et les instructions en vocabulaire ouvert. Il arrive aussi premier dans les catégories généralisation, précision et mémoire.

IA physiqueActu
1 source