LoopWAM, de Tsinghua, prend la tête de RoboChallenge Table30 et passe en open source

Le modèle d'action du monde (World Action Model) LoopWAM a pris la 1re place du classement RoboChallenge Table30. Il a été développé par l'université Tsinghua, la société 原力灵机 (Dexmal) et 极寰时代. Avec ce résultat, les auteurs ont publié une page de projet, un article sur arXiv (2610.18873) et un dépôt GitHub. Le message original de Jiqizhixin ne cite qu'un extrait de l'annonce : il ne donne donc ni les scores exacts ni l'écart avec les concurrents. Voici ce que l'on sait, et ce qu'il convient de vérifier dans les sources primaires.

Ce que l'on sait de cette publication

RoboChallenge a été conçue comme une plateforme ouverte pour comparer des modèles de robotique sur des bras manipulateurs réels. Table30 est un ensemble de 30 tâches de table. Il ne s'agit pas d'une simulation : l'évaluation se fait sur des robots physiques. Une première place pèse donc plus lourd ici qu'une ligne dans un classement sur environnements virtuels.

Les faits clés de l'annonce :

• modèle : LoopWAM, de la classe World Action Model (modèle d'action du monde) ;
• développeurs : université Tsinghua, 原力灵机, 极寰时代 ;
• résultat : 1re place sur RoboChallenge Table30 ;
• licence et disponibilité : le code est ouvert, un article et une page de projet sont disponibles ;
• positionnement revendiqué : proximité avec le concept d'auto-évolution au déploiement, développé par pi.

À quoi sert un modèle du monde pour un robot ?

Les modèles VLA (vision-language-action) habituels convertissent directement une image et une consigne textuelle en actions. Les modèles d'action du monde ajoutent une couche intermédiaire : ils apprennent à prédire comment la scène va évoluer après un mouvement. Le robot ne se contente pas de réagir à une image ; il garde en interne une représentation des conséquences.

Cela compte pour la manipulation sur table. Verser, plier, déplacer un objet fragile : dans ces tâches, le coût d'une erreur s'accumule d'étape en étape. Si le modèle sait prévoir les états futurs, il se retrouve moins souvent dans une position irrécupérable. Le nom LoopWAM suggère une boucle fermée entre prédiction et action, mais les détails de l'architecture ne figurent pas dans l'extrait disponible. Il faut les chercher dans l'article.

Le lien avec l'idée de pi

La comparaison avec pi n'est pas fortuite. Physical Intelligence part du principe qu'un robot doit continuer à apprendre après sa mise en service : accumuler de l'expérience, recevoir des évaluations de ses résultats et mettre à jour sa politique. Le déploiement cesse d'être un point final et devient une source de données.

Pour l'équipe chinoise, ce parallèle est commode, tant sur le fond que pour la communication. Mais « ne contredit pas l'idée » et « met en œuvre le même mécanisme » sont deux affirmations différentes. Reste à établir si LoopWAM apprend de sa propre expérience en temps réel, ou si le principe est seulement intégré à la boucle d'entraînement. La réponse se trouve dans l'article et dans le code.

Que vérifier concrètement

Pour ceux qui travaillent en robotique, une courte liste de vérifications s'impose :

1. Ouvrir la page du projet et trouver le tableau des résultats pour chacune des 30 tâches. Un bon score global peut masquer des échecs sur certains scénarios. 2. Comparer les conditions d'évaluation : matériel identique ou non, nombre d'essais, éventuels réentraînements spécifiques à certaines tâches. 3. Vérifier que le dépôt contient les poids, et pas seulement le code. C'est déterminant pour reproduire le résultat. 4. Examiner les besoins en calcul à l'inférence. Les modèles du monde sont plus lourds que les politiques directes, et la fréquence de contrôle est critique pour un bras manipulateur. 5. Comprendre comment fonctionne le mécanisme d'auto-apprentissage après déploiement, s'il existe : quels signaux de récompense, et qui annote la réussite.

Le code ouvert fait de LoopWAM un point de référence pratique pour les laboratoires qui construisent leurs propres modèles du monde. Si les poids et le protocole d'évaluation sont complets, le projet pourrait devenir une référence pour les prochains travaux sur RoboChallenge. Sinon, ce sera un résultat de plus, solide en apparence, mais difficile à vérifier. Il est trop tôt pour trancher : il faut les chiffres de l'article.