Manifold AI prend la tête de RoboDojo devant GPT-6-Astra et GR00T-N1.7

Manifold AI occupe la première ligne de l'Agent Track de RoboDojo, un benchmark qui évalue l'apprentissage des robots. GPT-6-Astra et NVIDIA GR00T-N1.7, deux références majeures pour les modèles robotiques généralistes, restent derrière. Cette victoire revient au système R²SI. Il découle d'un travail présenté il y a trois mois : Manifold AI avait alors publié un world action model doté d'apprentissage en contexte (In-Context Learning, ICL).

Que sait-on du résultat ?

La source avance trois éléments. Manifold AI a devancé ses concurrents dans le seul track des agents, et non au classement général. Parmi les modèles distancés figurent à la fois un modèle de langage généraliste du calibre de GPT-6-Astra et le modèle robotique spécialisé GR00T-N1.7 de NVIDIA. Cette première place arrive trois mois après la sortie du modèle précédent avec ICL.

Le fragment disponible ne contient aucun chiffre : ni scores, ni écart avec le deuxième, ni nombre de tâches dans le benchmark. Il ne précise pas non plus ce que signifie R²SI. Il est donc trop tôt pour mesurer l'ampleur de la victoire. Dans un classement, une première place acquise d'un souffle et une domination nette sur tous les scénarios s'affichent de la même façon.

Pourquoi l'ICL compte pour les robots

Un world action model prédit comment le monde va évoluer après l'action du robot, et choisit l'action elle-même dans la foulée. Ajoutez l'ICL, et le modèle peut s'adapter à une nouvelle tâche à partir de quelques exemples dans le contexte, sans réentraîner les poids. Pour un laboratoire, c'est des semaines de collecte de données et de fine-tuning économisées. Pour un client, le chemin se raccourcit entre « on veut que le robot fasse comme ça » et un prototype fonctionnel.

La comparaison avec GPT-6-Astra est instructive pour une autre raison. Les grands modèles généralistes planifient et raisonnent bien, mais la physique du contact, les latences et les erreurs d'exécution restent leur point faible. Si un système spécialisé les devance dans un track d'agents, cela plaide en faveur de modèles entraînés sur des données d'actions et de dynamique du monde. GR00T-N1.7 appartient justement à cette catégorie, et le battre n'a rien d'évident.

Ce qui est établi, et ce qui ne l'est pas

• Benchmark : RoboDojo, Agent Track.
• Résultat : première place au classement.
• Distancés : GPT-6-Astra et NVIDIA GR00T-N1.7.
• Prédécesseur : world action model avec ICL, présenté il y a trois mois.
• Nouveau système : R²SI.
• Non divulgué dans le fragment source : scores finaux, taille du modèle, données d'entraînement, disponibilité des poids et de l'API.

Ce que les équipes doivent surveiller

Tant qu'aucun rapport technique n'est publié, il est raisonnable de voir ce résultat comme un signal fort, mais pas comme une raison de changer de stack. Quatre points sont à vérifier. Premièrement : Manifold AI publie-t-elle son protocole d'évaluation, et des équipes indépendantes peuvent-elles reproduire les chiffres ? Deuxièmement : dans quelle mesure le gain dans l'Agent Track se transpose-t-il à vos tâches, c'est-à-dire la manipulation, la préhension, le travail avec des objets atypiques ? Troisièmement : combien d'exemples en contexte R²SI réclame-t-il pour s'adapter, et comment la latence d'inférence évolue-t-elle ? Quatrièmement : quel accès sera proposé : poids ouverts, API cloud ou seulement des pilotes avec des partenaires ?

Pour ceux qui construisent des robots sur GR00T ou sur des LLM généralistes, la démarche raisonnable est la suivante : lancer vos propres scénarios sur RoboDojo quand les détails seront publiés, puis comparer avec votre pipeline sur vos données. Si l'ICL de Manifold AI fonctionne comme annoncé, le gain se mesurera dans la vitesse de déploiement de nouvelles tâches, et pas seulement dans une ligne de classement.