UNITAS: un modelo de mundo 3D para robots lidera varios benchmarks a la vez

El equipo detrás de UNITAS la describe como el primer modelo de mundo del planeta que se construye de forma nativa en 3D y para las tareas de los robots, en lugar de orientarse a generar vídeo vistoso. Según Jiqizhixin (12 de octubre de 2026), el modelo ocupó los primeros puestos en varios rankings a la vez. El fragmento de la publicación al que hemos tenido acceso no incluye los nombres de los benchmarks ni puntuaciones concretas. Por eso, a continuación solo figura lo que se puede confirmar, junto con una advertencia honesta sobre lo que aún falta.

¿Qué problema intentan resolver?

El argumento de los autores arranca con los modelos de lenguaje. Los LLM escalan porque el conocimiento de fuentes muy diversas se reduce a un único espacio de entrada y salida: el texto. La entrada es texto, la salida es texto, y dentro de ese espacio el modelo aprende, combina y transfiere conocimiento entre tareas.

La IA corpórea carece de ese denominador común. Los robots se diferencian por su cuerpo, sus cámaras, sus conjuntos de sensores y sus métodos de control. Los datos de un manipulador se trasladan mal a otro. De ahí la pregunta con la que los autores abren su planteamiento: ¿qué espacio «nativo» necesitan los robots en el camino hacia la Physical AGI? Su respuesta es el mundo tridimensional. El prefijo «transdimensional» (跨维) del nombre apunta, al parecer, a un vínculo entre las observaciones 2D y la estructura 3D de la escena. El fragmento disponible no detalla cómo funciona ese vínculo.

Qué se sabe del modelo

• Nombre: UNITAS.
• Clase: modelo de mundo (world model) nativo en 3D.
• Ámbito objetivo: tareas de robots; es decir, el modelo se diseña para ellas y no se adapta a partir de vídeo generativo.
• Resultado declarado: liderazgo en varios benchmarks. La fuente no indica los nombres ni los valores de las métricas.
• Objetivo declarado: «intuición física» en los robots, es decir, comprensión de la geometría, los contactos y las consecuencias de las acciones.
• Estatus de «primero del mundo»: afirmación de los propios desarrolladores, que no se ha verificado de forma independiente.

Cómo leer esta afirmación

Los modelos de mundo se dividen hoy en dos campos. Unos predicen fotogramas futuros y aprenden la física a partir de enormes corpus de vídeo; son ejemplos Genie, de Google DeepMind, y Cosmos, de NVIDIA. Otros construyen una representación explícita del espacio. El vídeo es vistoso, pero lo que necesita un robot no es una imagen, sino una respuesta a la pregunta «hacia dónde se desplazará el objeto si lo empujo aquí». Desde ese punto de vista, apostar por el 3D resulta lógico: la geometría está más cerca del control que los píxeles.

Pero la lógica no equivale a un resultado. En los lanzamientos técnicos chinos, la fórmula «el primero del mundo» describe con frecuencia un nicho estrecho, y el liderazgo en benchmarks depende en gran medida de qué pruebas se hayan elegido. Los rankings de simulación no garantizan que el modelo funcione con un manipulador real, con sensores ruidosos e iluminación imperfecta.

Qué comprobar en la práctica

Si trabajas en robótica o sigues el mercado, espera al informe técnico y fíjate en cinco cosas:

• qué benchmarks concretos se usaron y con qué modelos de referencia se comparó UNITAS;
• si hay experimentos con robots reales y no solo en simulación;
• si los pesos y el código son abiertos y si se puede reproducir el resultado;
• cuánto etiquetado 3D y qué datos hacen falta para el entrenamiento y el ajuste fino;
• cuál es la latencia de inferencia: para el control en bucle cerrado es más crítica que la precisión en una prueba estática.

Por ahora, conviene mantener a UNITAS en la lista de seguimiento. La idea de que el 3D se convierta en el espacio común de la IA corpórea parece una hipótesis seria. Solo la confirmarán cifras abiertas y experimentos repetibles con hardware real.