RoboFoundry fait passer GPT-5.5 de 56,9% à 72,7% sur EmbodiedBench sans réentraînement

Sur EmbodiedBench, un même GPT-5.5 produit deux résultats différents. Connecté directement, il réussit en moyenne 56,9% des tâches. Lorsque RoboFoundry travaille autour de lui, ce chiffre monte à 72,7%. Les auteurs n'ont pas touché aux paramètres du modèle. Le gain est de 15,8 points de pourcentage, soit environ 28% par rapport à la base de référence. L'information provient de Jiqizhixin.

Ce que montrent les chiffres

EmbodiedBench évalue des modèles multimodaux dans le rôle d'agents pour des tâches incarnées, où il faut percevoir l'environnement et planifier des actions. Dans ce type de test, le résultat dépend de deux éléments : le modèle lui-même et l'infrastructure qui l'entoure. On compare généralement plusieurs modèles dans une même infrastructure. Ici, c'est l'inverse : le modèle est figé et c'est le système autour de lui qui change.

Les chiffres clés de la partie disponible de l'article :

• modèle : GPT-5.5, sans modification des poids ;
• benchmark : EmbodiedBench, taux de réussite moyen ;
• utilisation directe du modèle : 56,9% ;
• avec RoboFoundry : 72,7% ;
• gain absolu : 15,8 points de pourcentage ;
• gain relatif : environ 28%.

Le titre de l'article original affirme que les robots acquièrent la capacité d'évoluer de manière autonome. On en déduit que le système s'améliore au fil de son fonctionnement, au lieu d'être réglé une seule fois à la main.

Où se cache l'écart

Les auteurs expliquent simplement cet écart : il se crée en dehors du modèle. Tout dépend des informations qui lui parviennent et de l'expérience que le système garde pour lui. Ce sont deux leviers, et les deux relèvent de l'ingénierie du contexte, non de l'entraînement du réseau de neurones.

Pour un agent incarné, cette approche est cohérente. Le modèle perçoit le monde à travers ce qu'on lui fournit : description de la scène, historique des actions, indications sur l'état courant. Si le prompt contient des éléments superflus, le modèle se disperse. Si l'information utile manque, il se trompe sur des cas simples. Et si le système ne retient ni les échecs ni les stratégies qui ont fonctionné, chaque nouvelle tentative repart de zéro. L'implémentation concrète de RoboFoundry n'est pas détaillée dans le passage disponible, de sorte que les détails du mécanisme de sélection et de stockage de l'expérience restent hors du cadre de cette analyse.

La conclusion pour l'industrie est d'ordre pratique. Un gain de 28% sans la moindre étape d'entraînement signifie qu'une partie des capacités des modèles de pointe en robotique est limitée par l'infrastructure qui les entoure. L'améliorer coûte moins cher que de réentraîner le modèle, et le résultat n'est pas lié à une version précise des poids.

Ce qui manque encore

Le texte disponible omet plusieurs éléments sans lesquels il est difficile d'évaluer pleinement le chiffre de 72,7% :

• le détail par sous-tâche du benchmark : une moyenne peut masquer des échecs ou, à l'inverse, des bonds spectaculaires dans certaines catégories ;
• le nombre d'itérations d'évolution et le coût des requêtes, car un système qui accumule de l'expérience consomme des tokens et du temps ;
• les résultats pour d'autres modèles : on ignore si l'approche fonctionne aussi bien avec des LLM plus faibles ou ouverts ;
• une validation sur des robots physiques, et pas seulement en simulation.

Pour l'instant, il s'agit d'un résultat obtenu sur un seul benchmark, et il convient de le lire comme tel.

Ce que les équipes qui construisent des agents doivent vérifier

La conclusion pratique concerne tous ceux qui développent des systèmes d'agents, pas seulement des robots. Avant de passer à un modèle plus coûteux, il est utile de mesurer ce qui se perd au niveau du système. Trois questions permettent de repérer rapidement ces pertes :

• que voit exactement l'agent en entrée, et peut-on le réduire sans perdre de sens ;
• les enseignements des tentatives précédentes sont-ils conservés et réutilisés dans les suivantes ;
• comment mesure-t-on les progrès : sur un modèle fixe, avec un jeu de tâches reproductible.

Si RoboFoundry confirme son résultat sur d'autres modèles et en environnement réel, la concurrence en IA incarnée se déplacera en partie de la taille du modèle vers la qualité du système qui l'entoure.