La « leçon amère » arrive en robotique
Une étude publiée sur arXiv (2610.25287v2) évalue la capacité de modèles de langage multimodaux généralistes à piloter directement des bras robotiques physiques, en commandant par exemple les poses de l'effecteur. Neuf modèles de pointe ont été testés à plusieurs niveaux d'effort de raisonnement et de service, sur six tâches de manipulation issues du benchmark RoboDojo. Les auteurs présentent la première comparaison systématique d'un éventail aussi large de modèles sur une suite commune de tâches sur matériel réel. Le constat est mitigé : les modèles accomplissent des manipulations variées, mais restent trop imprécis et trop lents pour les terminer dans un budget d'actions raisonnable. En revanche, la progression est rapide. Entre juillet et octobre 2026, la performance sur le benchmark double en 53,9 jours, le meilleur taux d'exécution est multiplié par 4,4 et le coût d'exécution le plus bas est divisé par 6,2.
Pour les intégrateurs et les décideurs industriels, aucun de ces modèles n'est utilisable en production aujourd'hui. Le signal est ailleurs : des modèles non spécialisés, sans entraînement robotique dédié, manipulent déjà des objets réels, et leur courbe d'amélioration est bien plus raide que celle des systèmes embarqués classiques. Si cette tendance se maintenait, elle pourrait fragiliser l'avantage des modèles vision-langage-action (VLA) spécialisés, qui exigent des données de téléopération coûteuses. Les auteurs soulignent aussi le versant risque : un modèle généraliste capable de piloter un bras pourrait aider des acteurs malveillants à produire des agents chimiques ou biologiques dangereux, d'où l'intérêt de suivre ces capacités de près.
Il faut relativiser la portée du résultat. Le taux de doublement est extrapolé à partir de seulement quatre mois de mesures, sur six tâches, et dépend du rythme de sortie des modèles testés. Le texte ne donne pas de comparaison chiffrée avec des modèles robotiques spécialisés, ni de vitesse d'exécution ou de précision en conditions industrielles. La référence à la « Bitter Lesson », l'idée formulée par Rich Sutton selon laquelle les méthodes généralistes finissent par battre les approches spécialisées quand la puissance de calcul augmente, reste donc une hypothèse formulée au conditionnel. Elle s'oppose à la stratégie de Physical Intelligence (Pi-0), de Nvidia (GR00T N2) ou de Figure (Helix), qui misent sur des modèles entraînés spécifiquement pour la robotique.
Dans nos dossiers
