AGIBOT compara el rendimiento de GO-2 con otros modelos líderes. Fuente: AGIBOT
AGIBOT presentó hoy el GO-2, su modelo de fundación de próxima generación para la IA encarnada. La compañía dijo que GO-2 puentea la “última milla” de razonamiento lógico a ejecución precisa dentro de una arquitectura unificada.
Basándose en su predecesor, GO-1, GO-2 presenta una arquitectura unificada que integra el razonamiento lógico y la ejecución de acciones dentro de un solo sistema. Esto permite AI robots no sólo para planificar correctamente sino también para ejecutar de forma fiable en entornos del mundo real, dijo AGIBOT.
GO-2 reúne decenas de miles de horas de datos de interacción, afirmaron empresa, marcando una transición de la “exploración de caja negra” a una “unidad verdadera de razonamiento y acción. ”
Vamos. La serie evoluciona desde la percepción hasta la actuación
Hace un año, AGIBOT lanzó el modelo de fundación Genie Operator-1 (GO-1). Con la arquitectura de ViLLA, unificó el modelado de visión, lenguaje y acción. En la actualidad, AGIBOT integró el modelo en su plataforma de desarrollo encarnado única, Genie Studio, facultando a los usuarios para desplegar modelos y validarlos en aplicaciones del mundo real a gran escala.
GO-1 enseñó a los robots a “entender”. Podría interpretar instrucciones, reconocer escenas y planificar tareas, dijo la empresa. Sin embargo, a medida que los sistemas entraron en entornos más complejos del mundo real, surgió una cuestión crítica: incluso con un plan razonable, las acciones del robot no siempre se adhieren estrictamente a él.
Esto no es un fracaso de planificación; es una fractura entre razonamiento y ejecución, afirmó AGIBOT. Dijo que la causa principal es un desafío de larga data en la robótica: la “báfaga de la acción semántica”.
En los modelos tradicionales de acción en lenguaje de visión (VLA), las señales de razonamiento de alto nivel y los comandos de motor del mundo real permanecen desconectados. Durante la ejecución, los módulos de control a menudo evitan las señales de razonamiento, lo que conduce a errores acumulados en tareas largas y a una disminución de la estabilidad del sistema, señaló la empresa basada en Shangha.
GO-2 logra “unidad de razonamiento y acción ’
GO-2 realiza el razonamiento usando una cadena de acción de pensamiento. Fuente: AGIBOT
Para lograr la unidad de razonamiento y acción, dijo AGIBOT, un sistema debe resolver dos problemas clave simultáneamente:
- Cómo generar planes de acción “ejecutables” a través de profundo razonamiento espacial
- Cómo garantizar la ejecución estable de esos planes en entornos reales
AGIBOT dijo que aborda esto a través de una arquitectura construida en dos innovaciones. La primera es la cadena de acción del pensamiento. A diferencia de los modelos tradicionales que mapean las instrucciones directamente a los comandos motores crudos, GO-2 genera una secuencia de alto nivel de las intenciones de acción como un plan macro.
Similar a cómo un humano simula mentalmente el arco de un tiro de baloncesto antes de liberar el balón, GO-2 hace este proceso explícito. A través del razonamiento de nivel de acción, el robot planea un camino de comportamiento completo y lo ejecuta paso a paso. Las tareas complejas se descomponen naturalmente en etapas ordenadas, asegurando que la ejecución se base en un razonamiento claro y lógico, explicó AGIBOT.
El segundo es la planificación asincrónica de baja frecuencia del sistema dual, de alta frecuencia después. La compañía dijo que el razonamiento de alto nivel por sí solo no puede garantizar la ejecución estable en ambientes del mundo real llenos de ruido y perturbaciones.
Para resolver esto, GO-2 introduce una arquitectura Asincrónica de sistema dual para traducir el razonamiento de alto nivel en movimientos robóticos precisos. Un módulo de planificación semántica funciona a menor frecuencia, actuando como “comandante general”. Este módulo genera secuencias de acción estructuradas de alto nivel. Estos se presentan a través del refinamiento progresivo, asegurando que el razonamiento mismo es inherentemente «ejecutable», proporcionando anclas geométricas estables para el control.
Un módulo de seguimiento de acción, por otro lado, funciona a una frecuencia más alta. Esto actúa como un “ejecutor ágil” que recibe continuamente intenciones de alto nivel y los combina con observaciones en tiempo real para generar señales de control específicas, realizando refinamiento residual para compensar el ruido ambiental.
AGIBOT dijo que estos dos sistemas están profundamente alineados. Para asegurar que la ejecución se adhiera estrictamente al razonamiento, el GO-2 utiliza un mecanismo de ejecución de maestros durante el entrenamiento. Enseña al modelo a realizar sólidamente incluso bajo condiciones de razonamiento “aproximadamente correctas pero imperfectas”.
El GO-2 de AGIBOT utiliza un flujo asincrónico decodificado. Fuente: AGIBOT
GO-2 realiza diferentes parámetros
Mediante el razonamiento y la acción brillantes, AGIBOT dijo que GO-2 logra “un cambio de paradigma” en el rendimiento conductual, superando significativamente los modelos actuales como π0.5 y NVIDIA GR00T:
- Referencia de LIBERO: GO-2 ocupa el primer lugar entre tareas espaciales, de objeto, de objetivo y largas, con una tasa promedio de éxito del 98,5%.
- Punto de referencia LIBERO-Plus: En entornos con diversas perturbaciones, el GO-2 logró un 86,6% de éxito sin instantánea.
- VLA Punto de referencia: En pruebas rigurosas para la generalización de la categoría y la textura, el GO-2 logró una puntuación media de 47.4, sobre todo superando los métodos existentes en la manipulación de diversas texturas de objetos y categorías no visibles.
- Genie Sim 3.0 (Sim-to-Real): Formación únicamente en simulación data, GO-2 logró una tasa de éxito del 82,9% en las pruebas del mundo real.
Del modelo al despliegue: permitir el aprendizaje continuo en el mundo real
Más allá del rendimiento del modelo, AGIBOT dijo que está ampliando el GO-2 en el despliegue del mundo real a través de un paradigma del bucle de retroalimentación de datos pre-entrenamiento + post-entrenamiento. Integrado con Genie Studio, el sistema permite:
- Recopilación continua de datos a través de flotas de robots
- Formación de colaboración basada en la nube
- Post-entrenamiento en línea en entornos del mundo real
Esta infraestructura apoya el despliegue a gran escala y la mejora continua, dijo la empresa. Puede apoyar a miles de robots en la capacitación distribuida y lograr una mejora de 10 veces en la eficiencia del entrenamiento.
El modelo también puede reducir el tiempo de inicio de tareas a pocos minutos, permitir la convergencia de nivel minuto en tareas industriales, y mejora las tasas de dos a cuatro veces al tiempo que reduce los requisitos de datos en más del 50%.
Esto transforma el GO-2 de un modelo estático en un sistema encarnado en constante evolución, según AGIBOT.
Nota del editor:En el 2026Robotics Summit & Expolos días 27 y 28 de mayo en Boston, habrá sesiones sobre IA encarnada y física.La inscripción está abierta.
AGIBOT se mueve hacia agentes encarnados con memoria
Más allá de la ejecución estable, AgiBot está explorando la próxima frontera: ¿pueden los robots recordar y volverse más inteligentes con el tiempo?
Su última investigación introduce el sistema de memoria OpenClaw (arXiv:2603.11558), proporcionando a los robots memoria a largo plazo para reutilizar los rastros de razonamiento de interacciones históricas.
Al combinar el razonamiento de acción, la ejecución jerárquica y la memoria a largo plazo, AGIBOT dijo que espera formar un bucle inteligente completo: de la percepción al razonamiento a la acción a la memoria.
El puesto AGIBOT lanza el modelo de base GO-2 para AI encarnada apareció primero The Robot Report.
Fuente: Leer completo
Líderes en información sobre robótica latinoamérica.
Líderes en información sobre robótica latinoamérica.
Somos tu guía de robótica referente en la región.
