Recursia supera a Nvidia ASPIRE en 10 puntos en tareas largas de robots

Recursia, un método dentro del paradigma Embodied RSI, supera a Nvidia ASPIRE en 10 puntos en tareas largas de varios pasos para robots. Lo publica el medio chino Jiqizhixin. El objetivo de los desarrolladores es la generalización zero-shot: que el manipulador sea capaz de ejecutar una secuencia de acciones en escenas que no vio durante el entrenamiento. Es justo ahí donde los robots actuales fallan con más frecuencia, incluso cuando dominan bien cada habilidad por separado.

Tarea T3: por qué es difícil algo tan simple como recoger la mesa

Para ilustrarlo, los autores recurren a la tarea larga T3, ejecutada con un brazo robótico real. El robot coloca un cuenco sobre un plato, después toma una taza y la deja dentro del cuenco que acaba de mover. Para una persona son un par de segundos. Para un robot, la dificultad está en que el segundo paso se realiza en una escena que el primero ha modificado. El cuenco ya no está donde estaba al principio y la disposición de los objetos difiere de la que el modelo vio al arrancar.

Estos errores se acumulan. El reconocimiento, el agarre y la colocación pueden funcionar con alta fiabilidad por separado, pero en una cadena de varios pasos las pequeñas imprecisiones se multiplican y la política acaba en estados que no figuraban en los datos de entrenamiento. Por eso las tareas largas se han convertido en la prueba principal de generalización: las demos cortas ocultan mucho, mientras que las largas muestran dónde se desmorona el sistema.

Qué se sabe de Recursia y RSI

En robótica, RSI suele descifrarse como automejora recursiva: el sistema usa su propia experiencia y sus resultados para mejorar. Embodied RSI traslada esta idea a los agentes físicos. Los propios autores se muestran cautos: el material dice de forma explícita que el «momento RSI» de los robots todavía queda muy lejos. Presentan Recursia como un paso en esa dirección, no como su llegada.

Del fragmento disponible de la publicación se puede extraer lo siguiente:

• método: Recursia, paradigma Embodied RSI;
• objetivo: generalización zero-shot de robots;
• comparación: Nvidia ASPIRE;
• resultado: ventaja de 10 puntos en tareas largas;
• validación: robot real, con la tarea T3 como ejemplo;
• fuente: Jiqizhixin, 14 de octubre de 2026.

El artículo deja abiertas varias cuestiones importantes. No está claro en qué se miden los «puntos» (probablemente en porcentaje de ejecuciones exitosas, aunque no está confirmado). Se desconocen el tamaño de la muestra, el número de tareas largas, la longitud de las cadenas y cómo se ejecutó exactamente ASPIRE como línea base. Tampoco hay datos sobre cuánta simulación e intentos reales hicieron falta para la automejora.

Cómo leer estos resultados

Para ingenieros e inversores que siguen los robots manipuladores, la conclusión práctica principal es esta: conviene fijarse en las tareas largas en las que cambia el estado de la escena, no en las demos de habilidades aisladas. Ahí es donde se puede observar generalización real. Antes de sacar conclusiones sobre la superioridad de Recursia, hay que esperar al artículo o al preprint y comprobar tres cosas: la métrica, el número de ejecuciones en hardware real y la limpieza de la comparación con ASPIRE en las mismas tareas y en las mismas condiciones.

Diez puntos en un benchmark con unas pocas decenas de ejecuciones y diez puntos sobre cientos de intentos en escenas distintas son afirmaciones diferentes. Mientras no se publiquen los detalles, esto es una señal de dirección, no un avance demostrado.