RoboFoundry eleva GPT-5.5 en EmbodiedBench del 56,9% al 72,7% sin reentrenamiento

Una misma GPT-5.5 ofrece dos resultados distintos en EmbodiedBench. Conectada directamente, completa con éxito de media el 56,9% de las tareas. Si RoboFoundry trabaja a su alrededor, la cifra sube al 72,7%. Los autores no tocaron los parámetros del modelo. La mejora es de 15,8 puntos porcentuales, es decir, aproximadamente un 28% respecto a la línea base. Lo informa Jiqizhixin.

Qué muestran las cifras

EmbodiedBench evalúa modelos multimodales en el papel de agentes para tareas corpóreas, en las que hay que percibir el entorno y planificar acciones. En este tipo de pruebas importa que el resultado depende de dos partes: el propio modelo y la infraestructura que lo envuelve. Lo habitual es comparar distintos modelos con la misma infraestructura. Aquí se hizo lo contrario: el modelo está fijo y lo que cambia es el sistema que lo rodea.

Las cifras clave de la parte disponible del material:

• modelo: GPT-5.5, sin cambios en los pesos;
• benchmark: EmbodiedBench, tasa media de éxito;
• uso directo del modelo: 56,9%;
• con RoboFoundry: 72,7%;
• mejora absoluta: 15,8 p.p.;
• mejora relativa: alrededor del 28%.

El titular original afirma que los robots obtienen la capacidad de evolucionar por sí mismos. De ello se desprende que el sistema mejora a medida que trabaja, en lugar de configurarse una sola vez a mano.

Dónde está la diferencia

Los autores explican la brecha de forma sencilla: surge fuera del modelo. Depende de qué datos le llegan y de qué experiencia se queda el sistema. Son dos palancas, y ambas pertenecen a la ingeniería de contexto, no al entrenamiento de la red neuronal.

Para un agente corpóreo, este planteamiento resulta lógico. El modelo ve el mundo a través de lo que se le suministra: la descripción de la escena, el historial de acciones, las pistas sobre el estado. Si el prompt incluye información de más, el modelo se distrae. Si falta lo necesario, falla donde no debería. Y si el sistema no recuerda los fracasos ni las técnicas que funcionaron, cada nuevo intento empieza desde cero. La implementación concreta de RoboFoundry no se detalla en el fragmento disponible, por lo que los detalles del mecanismo de selección y almacenamiento de la experiencia quedan fuera de este análisis.

La conclusión para la industria es práctica. Una mejora del 28% sin un solo paso de entrenamiento indica que parte de las capacidades de los modelos de frontera en robótica está limitada por la infraestructura que los envuelve. Mejorarla es más barato que reentrenar el modelo, y el resultado no queda atado a una versión concreta de los pesos.

Qué falta por ahora

En el texto disponible faltan varios elementos sin los cuales resulta difícil evaluar del todo la cifra del 72,7%:

• el desglose por subtareas del benchmark: la media puede esconder fracasos o saltos récord en categorías concretas;
• el número de iteraciones de evolución y el coste de las consultas, ya que un sistema que acumula experiencia gasta tokens y tiempo;
• resultados con otros modelos: no está claro si el enfoque funciona igual con LLM más débiles o abiertos;
• pruebas con robots físicos, y no solo en simulador.

Por ahora es un resultado en un único benchmark, y conviene leerlo como tal.

Qué deberían comprobar los equipos que construyen agentes

La conclusión práctica afecta a quienes desarrollan sistemas de agentes, no solo robots. Antes de cambiar el modelo por uno más caro, conviene medir cuánto se pierde a nivel de sistema. Tres preguntas ayudan a localizar rápido esas pérdidas:

• qué ve exactamente el agente en la entrada y si es posible reducirlo sin perder significado;
• si se conservan los resultados de intentos anteriores y si se usan en los siguientes;
• cómo se mide el progreso: con un modelo fijo y un conjunto de tareas repetible.

Si RoboFoundry confirma el resultado con otros modelos y en un entorno real, la competencia en IA corpórea se desplazará en parte del tamaño del modelo a la calidad del sistema que lo rodea.