Manifold AI lidera RoboDojo y supera a GPT-6-Astra y GR00T-N1.7

Manifold AI ha ocupado la primera posición en el Agent Track del benchmark RoboDojo, que evalúa el aprendizaje de robots. Por detrás han quedado GPT-6-Astra y NVIDIA GR00T-N1.7, dos referencias destacadas entre los modelos robóticos de propósito general. La victoria es del sistema R²SI, que procede de un desarrollo de hace tres meses: entonces Manifold AI lanzó un world action model con aprendizaje en contexto (In-Context Learning, ICL).

Qué se sabe del resultado

La fuente aporta tres datos. Manifold AI superó a sus competidores concretamente en el track de agentes, no en la clasificación general. Entre los rivales superados hay tanto un modelo de lenguaje de propósito general del nivel de GPT-6-Astra como un modelo robótico especializado, el GR00T-N1.7 de NVIDIA. Y el liderazgo llega tres meses después del lanzamiento del modelo anterior con ICL.

El fragmento disponible no incluye cifras: ni puntuaciones, ni la distancia respecto al segundo puesto, ni el número de tareas del benchmark. Tampoco explica qué significa R²SI. Por eso aún es pronto para valorar la magnitud de la victoria. En una tabla, un primer puesto por un margen mínimo y un liderazgo holgado en todos los escenarios se ven exactamente igual.

Por qué importa el ICL en robots

Un world action model predice cómo cambiará el mundo tras la acción del robot y, al mismo tiempo, elige la propia acción. Si se añade ICL, el modelo puede adaptarse a una tarea nueva con unos pocos ejemplos en el contexto, sin reentrenar los pesos. Para un laboratorio, eso ahorra semanas de recogida de datos y de ajuste fino. Para el cliente, acorta el camino entre «queremos que el robot haga esto así» y un prototipo funcional.

La comparación con GPT-6-Astra es reveladora por otro motivo. Los grandes modelos de propósito general planifican y razonan bien, pero la física del contacto, las latencias y los errores de ejecución siguen siendo su punto débil. Si un sistema especializado los supera en el track de agentes, eso respalda la apuesta por modelos entrenados con datos de acciones y de dinámica del mundo. GR00T-N1.7 pertenece justamente a esa clase, de modo que superarlo tampoco es sencillo.

Qué está confirmado y qué no

• Benchmark: RoboDojo, track Agent Track.
• Resultado: primer puesto en la tabla de clasificación.
• Superados: GPT-6-Astra y NVIDIA GR00T-N1.7.
• Predecesor: world action model con ICL, presentado hace tres meses.
• Nuevo sistema: R²SI.
• No se revela en el fragmento original: puntuaciones finales, tamaño del modelo, datos de entrenamiento, disponibilidad de los pesos y de la API.

En qué deben fijarse los equipos

Mientras no haya informe técnico, lo razonable es tomar el resultado como una señal fuerte, pero no como motivo para cambiar de stack. Conviene comprobar cuatro cosas. Primera: si Manifold AI publica el protocolo de evaluación y si equipos independientes pueden reproducir las cifras. Segunda: hasta qué punto la ventaja en el Agent Track se traslada a sus propias tareas, es decir, a manipulación, agarre y trabajo con objetos no estándar. Tercera: cuántos ejemplos en el contexto necesita R²SI para adaptarse y cómo crece la latencia de inferencia. Cuarta: qué tipo de acceso se ofrecerá: pesos abiertos, API en la nube o solo pilotos con socios.

Para quienes construyen robots sobre GR00T o sobre LLM de propósito general, el paso sensato por ahora es este: cuando salgan los detalles, ejecutar sus propios escenarios en RoboDojo y compararlos con su pipeline sobre datos propios. Si el ICL de Manifold AI funciona como se afirma, la ganancia estará en la rapidez para incorporar tareas nuevas, y no solo en una línea de la tabla.