Verso l’era dell’intelligenza incarnata agentica

Abstract degli autori

I modelli fondazionali guidano sempre più le azioni dei robot, ma un’autonomia prolungata richiede un controllo efficiente e la capacità di recuperare dai fallimenti. Presentiamo A2-MEAS, un framework incarnato multi-agente costruito attorno al codice come interfaccia per scalare. I codici di correzione appresi combinano linguaggio correttivo, evidenze spaziali, cronologia dell’esecuzione e proposte di azione. MetaBrain fornisce supervisione per l’addestramento e guida in fase di esecuzione. Durante l’addestramento, un encoder di correzione e un adapter integrano queste conoscenze nei pesi della policy, mentre in fase di deployment nuovi codici adattano il comportamento a pesi congelati. Il modello d’azione A2-WLA arricchisce una policy visione-linguaggio-azione con una cronologia che tiene conto del movimento e un modello del mondo latente. Sorprendentemente, questo design semplice, con pre-addestramento sulle azioni e specializzazione per task, raggiunge un Q-score di 0,5755 sul sottoinsieme pubblico di 50 task di BEHAVIOR 2026, prima di qualsiasi correzione online: 2,21 volte il valore dichiarato di 0,2605 del vincitore del 2025, pur con edizioni del benchmark e configurazioni di addestramento diverse. Su tutti i 100 task pubblici di BEHAVIOR 2026, A2-MEAS raggiunge un Q-score di 0,6411 e un tasso di successo dei task del 45,40%. Su RoboTwin 2.0, A2-WLA raggiunge un tasso medio di successo del 93,98%, che sale al 95,05% con il sistema completo. In 12 task con robot reali, svolti in cinque ambienti domestici, A2-WLA raggiunge un tasso medio di successo del 57,92%, contro il 26,67% di pi0.5. Nella preparazione del caffè pour-over, che si articola su un lungo orizzonte temporale, un adapter condizionato dalla cronologia porta il tasso di completamento dopo un fallimento, in due fasi di manipolazione del filtro, dal 14% al 94% e dall’8% all’82%, rispetto ai nuovi tentativi di A2-WLA. La nostra infrastruttura di addestramento raggiunge 427,1 campioni al secondo, una velocità di elaborazione pari a 4,03 volte quella di un’implementazione di riferimento di pi0.5, a parità di hardware. Rilasceremo il sistema, i modelli, gli script di addestramento e l’infrastruttura per favorire un apprendimento incarnato efficiente.