LoopWAM, de Tsinghua, lidera RoboChallenge Table30 y se publica como código abierto

El modelo mundial de acción (World Action Model) LoopWAM ha alcanzado el primer puesto en el ranking RoboChallenge Table30. Lo han desarrollado la Universidad de Tsinghua, la empresa 原力灵机 (Dexmal) y 极寰时代. Junto con el resultado, los autores han publicado la página del proyecto, el artículo en arXiv (2610.18873) y un repositorio en GitHub. El mensaje original de Jiqizhixin cita solo un fragmento del anuncio, por lo que no incluye las puntuaciones exactas ni la distancia con los competidores. A continuación se recoge lo que se sabe y lo que conviene comprobar en las fuentes primarias.

Qué se sabe del lanzamiento

RoboChallenge se presentó como una plataforma abierta para comparar modelos de robótica en manipuladores reales. Table30 es un conjunto de 30 tareas de sobremesa. No es una simulación: la evaluación se realiza con robots físicos, de modo que un primer puesto aquí pesa más que una posición en un ranking basado en entornos virtuales.

Datos clave del anuncio:

• modelo: LoopWAM, de la clase World Action Model (modelo mundial de acción);
• desarrolladores: Universidad de Tsinghua, 原力灵机, 极寰时代;
• resultado: primer puesto en RoboChallenge Table30;
• licencia y disponibilidad: el código es abierto, y hay artículo y página del proyecto;
• ideología declarada: cercanía con el concepto de autoevolución durante el despliegue que desarrolla pi.

Para qué necesitan los robots un modelo del mundo

Los modelos VLA (vision-language-action) habituales convierten directamente una imagen y una instrucción de texto en acciones. Los modelos mundiales de acción añaden una capa intermedia: aprenden a predecir cómo cambiará la escena después de un movimiento. El robot no se limita a reaccionar a un fotograma, sino que mantiene en su interior una representación de las consecuencias.

Esto importa en la manipulación de sobremesa. Verter líquido, doblar o recolocar un objeto frágil son tareas en las que el coste del error se acumula paso a paso. Si el modelo es capaz de pronosticar estados futuros, cae con menos frecuencia en una posición irrecuperable. El nombre LoopWAM sugiere un bucle cerrado entre predicción y acción, pero el fragmento disponible no revela los detalles de la arquitectura. Hay que consultarlos en el artículo.

El vínculo con la idea de pi

La comparación con pi no es casual. Physical Intelligence apuesta por que el robot debe seguir aprendiendo después del lanzamiento: acumular experiencia, recibir evaluaciones del resultado y actualizar su política. El despliegue deja de ser el punto final y se convierte en una fuente de datos.

Para el equipo chino, este paralelismo resulta conveniente tanto por el fondo como por el marketing. Sin embargo, «no contradice la idea» y «implementa el mismo mecanismo» son afirmaciones distintas. Queda por aclarar si LoopWAM aprende de su propia experiencia en tiempo real o si el principio solo está incorporado al ciclo de entrenamiento. La respuesta la darán el artículo y el código.

Qué comprobar en la práctica

Quienes trabajan en robótica deberían repasar esta breve lista:

1. Abrir la página del proyecto y buscar la tabla de resultados de cada una de las 30 tareas. Una buena puntuación global puede ocultar fallos en escenarios concretos.

2. Comparar las condiciones de evaluación: si el hardware era el mismo, cuántos intentos hubo y si se hizo ajuste fino para tareas concretas. 3.

Comprobar si el repositorio incluye los pesos y no solo el código. Para reproducir el resultado es un requisito fundamental. 4.

Revisar los requisitos de cómputo en inferencia. Los modelos mundiales son más pesados que las políticas directas, y la frecuencia de control es crítica para un manipulador. 5.

Averiguar cómo funciona el mecanismo de autoaprendizaje tras el despliegue, si existe: qué señales de recompensa utiliza y quién etiqueta el éxito.

El código abierto convierte a LoopWAM en un punto de referencia útil para los laboratorios que construyen sus propios modelos mundiales. Si los pesos y el protocolo de evaluación resultan completos, el proyecto podría convertirse en una referencia para los próximos trabajos en RoboChallenge. Si no, será un resultado sólido más, pero difícil de verificar. Por ahora es pronto para juzgar: hacen falta las cifras del artículo.