AgiBot dévoile le modèle robotique GO-3 en préversion, premier de trois classements, et prévoit de le publier en open source

AgiBot a lancé le 29 octobre GO-3 Preview, un modèle d'IA incarnée que l'entreprise présente comme capable d'apprendre en continu à grande échelle, du pré-entraînement au post-entraînement, puis après le déploiement. Le modèle repose sur une architecture baptisée WRAM (World Reasoning Action Model), qui relie le raisonnement sur la tâche, la prédiction de ce qui va se produire et la génération d'actions, afin qu'un robot comprenne une consigne, anticipe son résultat et produise des mouvements exécutables. AgiBot revendique la première place sur trois classements d'IA incarnée récents : RoboDojo, RoboTwin et RoboColiseum. Après pré-entraînement, les robots accompliraient des tâches inconnues (domicile, cuisine, configurations multirobots, manipulation dextre) sans fine-tuning supplémentaire. Avec quelques démonstrations, le modèle apprend des tâches longues et délicates comme la préparation d'un jianbing, une crêpe salée chinoise, et, avec un agent qui coordonne les étapes, l'assemblage de Lego. Pour le post-entraînement, AgiBot a développé Genie Evolver, un système d'entraînement distribué combinant une centaine de robots réels, de la simulation physique et des modèles du monde. En curling de table, un robot a dépassé l'humain moyen testé après quatre heures de pratique en ligne, et dans un jeu de tour de blocs, il a retiré cinq blocs d'affilée sans faire tomber l'édifice. Le cadre d'agents Genie Master, enfin, relie jugement, exécution et retour d'expérience. Un robot G2 déployé dans un vrai magasin de proximité a identifié les causes de ses échecs, ajusté sa méthode et mémorisé ses acquis sans démonstration ni réglage humain : le taux de réussite sur l'ensemble du flux de tâches est passé de 28,6 % le premier jour à 85,7 % stable au bout de cinq jours. Sur une tâche comme l'accrochage de petits crochets, la méthode gagnerait 17,7 points de réussite par rapport au fine-tuning supervisé classique. AgiBot prévoit de publier le modèle complet en open source d'ici fin 2026.

L'intérêt tient moins au classement qu'à la boucle d'amélioration après déploiement, point où l'écart entre démonstration et réalité se joue le plus souvent. Un taux de 28,6 % en début de service montre d'ailleurs que le robot n'est pas prêt à l'emploi dès la sortie de boîte, et la remontée vers 85,7 % en cinq jours suggère qu'un VLA peut se corriger sur site sans équipe de téléopération. Pour un intégrateur ou un COO, cela déplace la question : la valeur dépend moins de la performance initiale que de la vitesse d'adaptation et du coût de supervision pour atteindre un seuil acceptable. Il faut toutefois rester prudent : les chiffres viennent d'AgiBot, portent sur un seul magasin, une seule tâche composite et cinq jours, sans indication sur la taille de l'échantillon, le nombre de tentatives ou le plafond atteint. 85,7 % reste en dessous de ce qu'exige une exploitation commerciale sans surveillance. Les victoires en classement, dont deux se jouent en simulation, ne garantissent pas non plus des performances comparables sur matériel réel, et les démonstrations (jianbing, curling, tour de blocs) sont des vitrines choisies.

AgiBot, société shanghaïenne issue de la vague des humanoïdes chinois, publie ici une version preview, donc ni un produit livré ni un déploiement à grande échelle, et la publication du code reste une promesse à échéance de plus d'un an. Cette annonce suit celle de GO-3 Nano Preview, en tête du classement de simulation RoboDojo, et la présentation de Genie Master sur le G2. Elle s'inscrit dans une compétition où Physical Intelligence (Pi-0), Nvidia (GR00T N2) et Figure (Helix) misent aussi sur des modèles généralistes, et où l'ouverture du modèle pourrait devenir un argument face à des concurrents plus fermés. Les prochains jalons à surveiller sont la sortie effective des poids, des évaluations indépendantes sur robots réels, et le passage du magasin pilote à plusieurs sites clients, avec des métriques publiées sur la durée.