UNITAS : un modèle du monde 3D pour les robots en tête de plusieurs benchmarks

L'équipe derrière UNITAS la présente comme le premier modèle du monde construit nativement en 3D et pour les tâches robotiques, et non pour générer de belles vidéos. D'après Jiqizhixin, qui l'a rapporté le 12 octobre 2026, le modèle occupe les premières places de plusieurs classements à la fois. L'extrait de la publication dont nous disposons ne cite ni les noms des benchmarks ni les scores précis. Nous nous limitons donc ci-dessous à ce qui peut être confirmé, en signalant honnêtement ce qui manque encore.

Quel problème les auteurs cherchent-ils à résoudre

L'argument des auteurs part des modèles de langage. Les LLM passent à l'échelle parce que des connaissances issues de sources très variées sont ramenées à un seul espace d'entrée et de sortie : le texte. L'entrée est textuelle, la sortie aussi, et dans cet espace le modèle apprend, combine et transfère des connaissances d'une tâche à l'autre.

L'IA incarnée n'a pas de dénominateur commun de ce type. Les robots diffèrent par leur corps, leurs caméras, leurs jeux de capteurs et leurs modes de contrôle. Les données d'un manipulateur se transposent mal à un autre. D'où la question que les auteurs placent en ouverture : quel espace « natif » faut-il aux robots sur la route de la Physical AGI ? Leur réponse : le monde tridimensionnel. Le préfixe « cross-dimensionnel » (跨维) dans le nom désigne apparemment le lien entre les observations 2D et la structure 3D de la scène. L'extrait disponible ne détaille pas ce lien.

Ce que l'on sait du modèle

• Nom : UNITAS.
• Classe : modèle du monde (world model), natif 3D.
• Domaine visé : les tâches robotiques. Le modèle est conçu pour elles, et non adapté à partir de la vidéo générative.
• Résultat revendiqué : la première place sur plusieurs benchmarks. Les noms et les valeurs des métriques ne figurent pas dans la source.
• Objectif affiché : une « intuition physique » chez les robots, c'est-à-dire la compréhension de la géométrie, des contacts et des conséquences des actions.
• Statut de « premier au monde » : affirmation des développeurs eux-mêmes, non vérifiée de manière indépendante.

Comment lire cette annonce

Les modèles du monde se répartissent aujourd'hui en deux camps. Les uns prédisent les images futures et apprennent la physique à partir d'immenses corpus vidéo. On peut citer Genie de Google DeepMind et Cosmos de NVIDIA. Les autres construisent une représentation explicite de l'espace. Une vidéo est belle à voir, mais un robot n'a pas besoin d'une image : il lui faut la réponse à « où l'objet va-t-il bouger si j'appuie ici ». De ce point de vue, le pari sur la 3D paraît logique : la géométrie est plus proche du contrôle que les pixels.

Mais la logique ne vaut pas résultat. Dans les communiqués techniques chinois, la formule « premier au monde » décrit souvent une niche étroite, et la première place sur un benchmark dépend fortement des tests retenus. Les classements en simulation ne garantissent pas que le modèle s'en sortira sur un vrai manipulateur, avec des capteurs bruités et un éclairage imparfait.

Ce qu'il faut vérifier en pratique

Si vous travaillez en robotique ou suivez ce marché, attendez le rapport technique et examinez cinq points :

• quels benchmarks exactement, et avec quels modèles de référence, ont servi à comparer UNITAS ;
• si des expériences ont été menées sur de vrais robots, et pas seulement en simulation ;
• si les poids et le code sont ouverts, et si le résultat peut être reproduit ;
• combien d'annotations 3D et quelles données sont nécessaires pour l'entraînement et le fine-tuning ;
• quelle est la latence d'inférence : pour un contrôle en boucle fermée, elle compte davantage que la précision sur un test statique.

Pour l'instant, UNITAS mérite de rester sur la liste de veille. L'idée de faire de la 3D l'espace commun de l'IA incarnée ressemble à une hypothèse sérieuse. Seuls des chiffres publiés et des expériences reproductibles sur du matériel réel pourront la confirmer.