EinsiaAI lance EmbodiedEvo : l'agent auto-évolutif prend la tête de Robodojo

EinsiaAI a présenté EmbodiedEvo, un Coding Agent qui écrit des programmes de pilotage de robot, mais qui évolue aussi tout seul à partir des résultats de ses propres tentatives. D'après Jiqizhixin, le système a pris la première place du benchmark Robodojo, que la presse chinoise surnomme l'« Everest » de l'intelligence incarnée. Le fragment de la publication auquel nous avons accès ne donne pas de chiffres détaillés : il est donc trop tôt pour mesurer l'ampleur de l'écart.

Un agent qui écrit du code pour un corps

La logique de départ est simple. Le Coding Agent reçoit du robot une interface : il peut observer la scène, appeler des primitives de contrôle, lancer ses propres programmes et lire le résultat. La boucle qui suit est familière à tous ceux qui ont travaillé avec des agents de développement : écrire, exécuter, examiner l'erreur, réécrire.

La publication relève une observation importante. Même sans fine-tuning pour une tâche précise, les agents frontier en mode zero-shot atteignent un taux de réussite comparable à celui des systèmes VLA et WAM entraînés sur des scènes similaires. C'est une affirmation forte. Les modèles d'action spécialisés exigent des données de téléopération, des simulations et un entraînement distinct pour chaque plateforme. Un modèle de langage généraliste doté d'un accès à l'API s'en passe.

Mais cette approche a un plafond. Selon le texte, le zero-shot n'est qu'un début : l'agent résout chaque fois la tâche à neuf, sans accumuler d'expérience.

Ce qu'apporte l'auto-évolution

C'est là qu'intervient EmbodiedEvo. Son nom et son positionnement renvoient à un mécanisme par lequel l'agent améliore ses propres stratégies, ses compétences ou son code de travail d'une itération à l'autre, et pas seulement au sein d'un même épisode. La partie accessible de la source n'explique pas comment cela fonctionne : on ignore ce qui évolue exactement (les prompts, la bibliothèque de compétences, le code lui-même) et quel budget de calcul chaque cycle exige.

Ce que l'on sait à ce jour :

• développeur : EinsiaAI, sortie datée du 15 octobre 2026 ;
• type de système : Coding Agent auto-évolutif pour l'IA incarnée ;
• résultat : première place sur Robodojo ;
• comparaison de référence : agents frontier en zero-shot au niveau des systèmes VLA et WAM entraînés sur des scènes proches ;
• non divulgué : pourcentages de réussite absolus, nombre de tâches, écart avec le deuxième, modèle de base utilisé et coût d'exécution.

Comment lire ce résultat

Pour les ingénieurs en robotique, l'enseignement principal tient à un changement de question architecturale. Jusqu'ici, le choix se faisait entre un réseau de neurones de bout en bout qui produit des actions et un pipeline classique avec planificateur. Un agent qui écrit du code ouvre une troisième voie : le programme reste lisible, on peut le déboguer, le versionner et le valider par des tests. Pour les usages industriels, où l'explicabilité est requise, c'est un avantage considérable.

Voici les questions pratiques à se poser avant d'intégrer cette approche dans un produit :

• comment le résultat sur Robodojo se compare-t-il à ce qu'on observe sur du matériel réel, et pas seulement en simulation ;
• combien de tentatives et de tokens l'agent doit-il consommer pour atteindre le niveau annoncé ;
• dans quelle mesure est-il sûr d'exécuter du code écrit par l'agent lui-même sur un bras manipulateur physique sans couche de contraintes stricte ;
• les compétences accumulées se transfèrent-elles d'un robot à l'autre.

Tant qu'EinsiaAI n'aura pas publié de rapport technique ni de métriques reproductibles, EmbodiedEvo doit être lu comme un signal notable sur la direction du secteur, et non comme une question tranchée. Le signal, lui, est clair : face aux modèles VLA, une filière concurrente se dessine, où le robot n'est plus piloté par un réseau, mais par un agent-programmeur qui apprend de ses propres erreurs.