Chine/AsiePandaily 12 novembre 2026

AgiBot met en open source LIFE, un cadre d'IA incarnée à apprentissage continu fondé sur les modèles RoboBeats

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

AgiBot a publié en open source LIFE (« Learning to Live: A Step Toward Lifelong Embodied Intelligence »), un framework destiné à garder un robot en état de perception et de mémoire entre deux tâches, au lieu de le réinitialiser après chacune. L'article a été déposé sur arXiv le 30 octobre. Le code est sous licence Apache-2.0 sur GitHub, et le code d'inférence ainsi que les poids des modèles RoboBeats (0,8B, 2B et 4B paramètres, construits sur des checkpoints Qwen3.5 de mêmes tailles) ont suivi le 3 novembre, hébergés sur Hugging Face sous un compte individuel lié depuis le dépôt d'AgiBot. Les données d'évaluation SSS-Bench sont sous licence non commerciale CC BY-NC 4.0. LIFE associe un agent piloté par un grand modèle multimodal à trois briques. RoboBeats, un modèle de décision léger, suit des conditions décrites en langage naturel sur ce que voit le robot, en lisant des scores vrai/faux plutôt qu'en générant du texte à chaque image, les conditions partageant les mêmes entrées visuelles et le même calcul mis en cache (AgiBot parle de « heartbeat »). Plastic Memory conserve les images brutes avec des enregistrements JSON structurés, ce qui permet de les réanalyser plus tard. EDM (Explore-Distill-Mount) transforme les méthodes de résolution qui fonctionnent en outils vérifiés et réutilisables, sans mise à jour des poids.

Les chiffres proviennent exclusivement de l'équipe d'AgiBot. RoboBeats-2B traite une nouvelle image en environ 75 ms sur une seule RTX 5090, et 77 ms en suivant 16 conditions. Sur la tâche de sortie proactive de StreamingBench, RoboBeats-4B passe de 21,2 % à 64,0 % de précision. Sur SSS-Bench (171 vidéos, 618 questions), la précision en question-réponse sur mémoire textuelle passe de 40,9 % à 60,5 %. Sur 597 requêtes FindingDory réservées à l'évaluation, le taux de réussite monte de 37,5 % à 65,8 % avec les outils EDM montés. Dans une étude de cas de 24 heures avec un robot AgiBot A3 Ultra, LIFE obtient 29,5 sur 30 (six questions posées trois fois) avec 80,6 s de temps de réponse moyen, contre 28,5 et 554,7 s pour une base de comparaison à base de Codex disposant de la même mémoire.

L'intérêt tient à ce que le goulot d'étranglement visé n'est plus la manipulation mais la continuité : un robot utile en production ou en service doit surveiller des conditions en continu, se souvenir de ce qu'il a vu et réinterroger ces observations quand une question nouvelle apparaît. Une latence d'environ 75 ms sur un GPU grand public suggère que la surveillance multi-conditions peut tourner en embarqué sans coût prohibitif, et la publication de poids sous licence permissive offre aux intégrateurs et laboratoires une base testable. Il faut toutefois relativiser : l'écart de qualité en étude de cas est faible (29,5 contre 28,5), le vrai gain porte sur la latence (environ sept fois plus rapide), et le gain sur SSS-Bench mesure la précision des réponses, pas la fidélité de la mémoire elle-même. Aucune reproduction indépendante n'existe à ce stade, et l'étude d'un jour reste loin d'un déploiement long.

Ce travail s'inscrit dans la course aux modèles « embodied » où AgiBot, après GO-3 en préversion et Genie Master pour l'autodiagnostic des pannes du G2, cherche à couvrir toute la pile logicielle, face aux approches VLA de Physical Intelligence (Pi-0), Nvidia (GR00T) ou Figure (Helix), davantage centrées sur l'exécution de tâches que sur la mémoire longue durée. L'équipe indique que la prochaine étape est un déploiement en ligne sur plusieurs jours, ce qui sera le véritable test de robustesse. En attendant, LIFE reste un résultat de recherche publié, pas un produit livré.

Dans nos dossiers

AgiBot IA physique & VLA NVIDIA GR00T Physical Intelligence — π0

À lire aussi

1Pandaily

Le LionRock AI Lab de China Merchants publie en open source Lion-ER-35B-A3B, un modèle de raisonnement incarné

China Merchants Group a publié le 4 novembre, via son laboratoire LionRock AI (rattaché à l'Advanced Technology Research Institute), les poids de Lion-ER-35B-A3B, un modèle vision-langage de raisonnement incarné destiné à aider les robots à comprendre l'espace en trois dimensions, l'état des objets et l'avancement d'une tâche. Disponible sur Hugging Face sous licence Apache 2.0, c'est un mixture-of-experts d'environ 35 milliards de paramètres au total, dont 3 milliards actifs par token, affiné à partir de Qwen3.6-35B-A3B. Le laboratoire affirme que le modèle progresse sur les dix benchmarks publics de raisonnement incarné et visuel testés, avec une moyenne pondérée à parts égales de 65,29, chaque score étant moyenné sur quatre réponses échantillonnées. Parmi les résultats détaillés, 64,28 sur Where2Place (placement spatial, soit +9,30 points), 64,38 sur ERQA (+6,19 points), 89,33 sur SAT, et 68,18 sur la sous-catégorie compréhension de trajectoires d'ERQA (+12,12 points). Des versions plus petites, en 4B et 9B, appliquent la même recette. Le point notable tient moins au score qu'à la méthode : le laboratoire soutient que plus de données robotiques n'équivaut pas automatiquement à plus de capacité. Plutôt que de collecter en masse, l'équipe a construit un « moteur de données piloté par les capacités ». Le raisonnement incarné est découpé en huit domaines (entités, espace, temps, physique, affordances, tâches, contexte social, preuves) et 39 compétences fines, chacune traduite en questions précisant scènes, observations et preuves nécessaires à une réponse vérifiable. Les questions dont l'évidence visuelle est insuffisante sont écartées, et des relecteurs humains examinent les échantillons difficiles. Le jeu d'entraînement supervisé compte 312 380 exemples, pondérés par besoin de capacité plutôt que par volume source. Pour les intégrateurs et équipes R&D, c'est un indice que la curation ciblée peut rivaliser avec l'accumulation de données, et qu'un modèle de 3 milliards de paramètres actifs, donc relativement léger à l'inférence, peut servir de brique de perception spatiale sous licence permissive. Il faut toutefois rester prudent : les gains sont mesurés par rapport à sa propre base, sur des benchmarks publics et par le laboratoire lui-même, sans comparaison indépendante avec d'autres modèles de raisonnement incarné. Le contexte est celui d'une course où les acteurs chinois publient de plus en plus de modèles ouverts pour la robotique, en parallèle des approches fermées ou semi-ouvertes occidentales. Une boucle d'évaluation réinjecte les échecs dans la production de données : après avoir écarté les erreurs d'annotation ou de notation, l'équipe puise de nouveaux exemples du même schéma de raisonnement dans un réservoir d'environ 4,3 millions d'enregistrements issus de 31 sources. Un exemple cité : le modèle confondait « plus haut dans l'image » et « plus haut dans l'espace 3D », ce qui a conduit à ajouter des scènes à surfaces multiples niveaux. La fiche du modèle précise qu'il est destiné à la recherche, qu'il n'a pas été validé pour des décisions critiques en sécurité ni pour le contrôle autonome de robots, et que les résultats peuvent ne pas se transférer à de nouveaux environnements. Il s'agit donc d'une brique de recherche publiée, pas d'un produit déployé : aucun pilote industriel ni calendrier de déploiement n'est annoncé, et la validité en conditions réelles reste à démontrer.

UEModèle ouvert sous Apache 2.0 que les équipes R&D et intégrateurs européens peuvent tester comme brique de perception spatiale, sans déploiement ni partenariat européen annoncé.

Chine/AsieActu

1 source

2Pandaily

Alibaba lance Qwen-Robot, sa première famille de modèles d'IA incarnée

Alibaba a publié mardi la suite Qwen-Robot, sa première famille de modèles d'IA incarnée, destinée à relier les grands modèles de langage à l'action robotique dans le monde physique. La suite comprend trois modèles : Qwen-RobotNav pour la navigation visuo-langagière, entraîné sur 15,6 millions d'échantillons en unifiant instruction following, navigation par cible et suivi d'objets ; Qwen-RobotManip pour la manipulation robotique via une architecture VLA (Visual Language Action) basée sur un backbone Qwen3.5-4B VL couplé à une tête de diffusion par flow matching, entraîné sur plus de 38 100 heures de données issues exclusivement de sources open source ; et Qwen-RobotWorld, un modèle de monde prédit des futurs physiquement cohérents pour la manipulation, la conduite et la navigation via une interface en langage naturel. La démonstration centrale met en scène un robot quadrupède Unitree Go2 sur hardware NVIDIA Jetson Thor, équipé d'une unique caméra basse résolution : sans cartographie préalable, il navigue dans un appartement inconnu en suivant des instructions verbales, avec une latence d'inférence de 196 millisecondes. Alibaba a également présenté Qwen-RobotClaw, un framework agent permettant aux modèles Qwen VLM d'appeler les outils Qwen-Robot pour gérer des tâches longues et la mémoire de contexte, et mis en open source Chat2Robot, une plateforme d'évaluation navigateur supportant Qwen-RobotManip sur 50 tâches via le dataset RoboTwin-Clean. Pour les intégrateurs et décideurs industriels, deux points méritent attention. L'entraînement de Qwen-RobotManip exclusivement sur des données open source est un choix architectural significatif : il abaisse les barrières de reproduction et contourne le verrou des données propriétaires qui bloque nombre d'acteurs du secteur. La latence de 196 ms sur Jetson Thor illustre la viabilité de l'inférence embarquée pour la navigation, même si cette performance a été mesurée dans un environnement contrôlé et non en production industrielle. La robustesse à grande échelle reste à démontrer : les vidéos présentées constituent une preuve de concept, pas un déploiement validé. L'architecture Qwen-RobotClaw adresserait un problème concret si elle tient ses promesses en production : la gestion de tâches multi-étapes sans reprogrammation manuelle, qui reste le verrou central de l'adoption robotique en environnements non structurés. Alibaba entre tardivement dans l'espace des modèles de fondation robotiques face à des acteurs déjà positionnés : Physical Intelligence (pi0, levée de 400 M$ en 2024), Figure AI (Figure 03, partenariat BMW), Google DeepMind et NVIDIA avec GR00T N2. En Chine, Unitree (fournisseur du Go2 de la démo), Zhiyuan Robot et Agibot développent leurs propres stacks logicielles embarquées. En Europe, Enchanted Tools et Pollen Robotics avancent sur des plateformes collaboratives, mais sans modèle VLA de cette envergure à ce stade. Les prochaines étapes annoncées incluent l'extension de Chat2Robot à de nouvelles plateformes et tâches robotiques, ainsi qu'une intégration commerciale potentielle via Alibaba Cloud.

UEL'entrée d'Alibaba avec une suite VLA entraînée sur données open source creuse l'écart technologique avec les acteurs européens (Enchanted Tools, Pollen Robotics) qui ne disposent pas encore de modèles de fondation robotiques comparables, même si la stack open source pourrait leur servir de base de développement.

Chine/AsieOpinion

1 source

3Pandaily

Tencent Robotics X en open source de trois modèles fondation incarnés : le scientifique en chef Zhang Zhengyou explique l'architecture cérébrale à trois couches pour la vitesse de réaction des robots

Tencent Robotics X Laboratory a présenté au salon WAIC 2026 trois modèles fondationnels d'intelligence incarnée, désormais disponibles en open source : Hy-Embodied-VLM-1.0, dédié à la compréhension spatiale et des scènes, Hy-Embodied-RxBrain-1.0, chargé de la planification cognitive, et Hy-Embodied-VLA-0.5, qui traduit des objectifs de haut niveau en commandes motrices continues. Le chercheur en chef Zhang Zhengyou a expliqué que cette architecture à trois couches répond à un problème mal traité par les approches VLA actuelles : le monde physique fonctionne à plusieurs échelles temporelles, et l'intelligence robotique doit donc opérer à des fréquences différentes selon la tâche. Cette conclusion découle d'un échec concret : une tentative de faire tourner des capacités robotiques sur OpenClaw a produit des dizaines de secondes de latence, alors qu'un délai cognitif de seulement 2 à 3 secondes est déjà problématique pour un robot physique. Tencent a précisé que Hy-Embodied-VLA est entré en phase de test en production dans une usine de produits chimiques ménagers, sur des lignes d'assemblage multi-références à petits lots, avec un temps de cycle par pièce inférieur à 6 secondes et une capacité d'adaptation à une nouvelle référence après seulement 8 heures de collecte de données et de réentraînement. Ce déploiement en usine, avec objets positionnés aléatoirement, éclairage variable et interruptions de production, marque une bascule notable : Tencent affirme viser un taux d'échec quasi nul en conditions réelles plutôt qu'un score de démonstration, Zhang Zhengyou allant jusqu'à qualifier de "valeur quasi nulle" une démo qui obtiendrait 80 à 90 points sans déploiement effectif, une formule qui mérite d'être lue comme une critique implicite de nombreuses vitrines du secteur plutôt qu'un résultat mesuré indépendamment. Pour les intégrateurs et décideurs industriels, l'apport le plus concret est ailleurs, dans Hy-Embodied-RxBrain : au lieu de faire communiquer les modules par du texte, comme le faisaient les précédents systèmes Tairos, ce modèle "imagine" un état visuel du monde après chaque sous-tâche, ce qui règle le goulot d'étranglement du langage pour décrire des relations spatiales. Tencent le présente prudemment comme un modèle cognitif incarné plutôt qu'un véritable "world model", le secteur n'ayant pas encore convergé vers une architecture unifiée en la matière. Cette annonce s'inscrit dans la course mondiale aux modèles vision-langage-action, aux côtés d'acteurs comme Tesla, Figure AI, Physical Intelligence ou NVIDIA, dans un contexte où l'écart entre démonstration et exploitation industrielle reste le principal point de friction. En ouvrant l'ensemble de sa pile Tairos, incluant les trois modèles, Tencent met à disposition des développeurs et industriels une architecture pensée pour la fréquence, issue directement de ses propres échecs et itérations, sans toutefois communiquer de calendrier précis pour un déploiement à plus grande échelle au-delà du site pilote chimique.

Chine/AsieActu

1 source

4TechNode

LivSyn Robotics lève des fonds en série A pour une plateforme reliant les robots aux modèles d'IA

La startup pékinoise LivSyn Robotics a annoncé le 8 octobre une série A d'au moins 100 millions de RMB (environ 13 millions d'euros). Le tour réunit des investisseurs financiers, Suwen Electric Energy, société cotée de services énergétiques, et un investisseur stratégique non nommé, actif dans l'IA incarnée. L'entreprise développe RUDA (Robotics Unified Device Architecture), une couche logicielle censée relier des morphologies de robots hétérogènes à des modèles d'IA et à des agents. Deux briques la composent. PhiAgent convertit des vidéos de démonstrations humaines en données d'entraînement et en trajectoires de mouvement. RoboAgent exécute les tâches et renvoie les résultats dans le système pour alimenter la boucle d'apprentissage. LivSyn affirme que sa technologie est déjà utilisée en industrie, pour l'insertion et le retrait de modules optiques, l'assemblage de batteries et l'inspection de composants électroniques. L'annonce ne donne ni nombre de sites, ni volumes, ni temps de cycle, ni taux de réussite, ni valorisation. L'intérêt tient moins au montant, modeste face aux tours de plusieurs centaines de millions de dollars des fabricants d'humanoïdes, qu'au positionnement. LivSyn ne construit pas de robot. Elle vise la couche d'abstraction entre les modèles et le matériel, là où se situe un des principaux coûts de l'intégration : chaque nouvelle machine impose aujourd'hui de reconstruire la chaîne de collecte de données, d'entraînement et de déploiement. Si les données et les compétences apprises passent réellement d'un robot à l'autre, comme le promet l'entreprise, le coût marginal d'un nouveau déploiement baisserait nettement, ce qui intéresserait les intégrateurs et les directions industrielles qui gèrent des parcs mixtes. Cette promesse reste à démontrer. Le transfert entre morphologies (cross-embodiment) est un problème de recherche ouvert, et apprendre à partir de vidéos humaines se heurte à l'écart de correspondance entre le geste humain et la cinématique du robot. Les trois applications citées, des tâches de précision dans l'électronique et la batterie, sont pertinentes mais sans chiffres de performance publiés. Elles relèvent donc, à ce stade, de l'affirmation de l'entreprise et non d'un résultat vérifié. Le tour s'inscrit dans la forte activité de financement de l'IA incarnée en Chine, où se multiplient les acteurs du « cerveau » logiciel à côté des fabricants de corps. La présence d'un groupe énergétique coté suggère un intérêt pour l'assemblage de batteries et les usages industriels liés. LivSyn rejoint un champ où d'autres tentent d'imposer une couche d'orchestration ou des modèles généralistes indépendants du matériel, comme les modèles vision-langage-action de Physical Intelligence (Pi-0), le GR00T de Nvidia ou, en Europe, des équipes visant l'intégration multi-robots. Les prochaines étapes à surveiller sont la publication de clients nommés, de métriques de déploiement et de démonstrations de transfert entre au moins deux types de robots.

Chine/AsieActu

1 source