LoopWAM, da Tsinghua, lidera o RoboChallenge Table30 e tem código aberto

O World Action Model (modelo de mundo para ações) LoopWAM ficou em primeiro lugar no ranking RoboChallenge Table30. Ele foi desenvolvido pela Universidade Tsinghua, pela 原力灵机 (Dexmal) e pela 极寰时代. Junto com o resultado, os autores publicaram a página do projeto, o artigo no arXiv (2610.18873) e o repositório no GitHub. A reportagem original do Jiqizhixin cita apenas um trecho do anúncio, por isso não traz as pontuações exatas nem a distância para os concorrentes. Abaixo, o que se sabe até agora e o que vale conferir nas fontes primárias.

Que se sabe sobre o lançamento

O RoboChallenge foi criado como uma plataforma aberta para comparar modelos de robótica em braços robóticos reais. O Table30 é um conjunto de 30 tarefas de bancada. Não se trata de simulação: a avaliação é feita em robôs físicos, e por isso o primeiro lugar pesa mais do que uma posição em rankings de ambientes virtuais.

Principais fatos do anúncio:

• modelo: LoopWAM, da classe World Action Model (modelo de mundo para ações);
• desenvolvedores: Universidade Tsinghua, 原力灵机, 极寰时代;
• resultado: primeiro lugar no RoboChallenge Table30;
• licença e disponibilidade: o código está aberto, e há artigo e página do projeto;
• filosofia declarada: proximidade com o conceito de autoevolução na implantação, desenvolvido pela pi.

Por que robôs precisam de um modelo de mundo

Os modelos VLA (vision-language-action) tradicionais transformam a imagem e o comando de texto diretamente em ações. Os World Action Models acrescentam uma camada intermediária: eles aprendem a prever como a cena vai mudar depois de um movimento. O robô não apenas reage ao quadro atual, mas mantém internamente uma representação das consequências.

Isso importa na manipulação de bancada. Servir um líquido, dobrar algo ou reposicionar um objeto frágil são tarefas em que o custo do erro se acumula a cada passo. Se o modelo consegue prever estados futuros, ele cai com menos frequência em uma posição sem volta. O nome LoopWAM sugere um ciclo fechado entre previsão e ação, mas o trecho disponível não revela os detalhes da arquitetura. Eles precisam ser lidos no artigo.

A relação com a ideia da pi

A comparação com a pi não é por acaso. A Physical Intelligence aposta que o robô deve continuar aprendendo depois de entrar em operação: acumular experiência, receber avaliações do resultado e atualizar sua política. A implantação deixa de ser o ponto final e passa a ser uma fonte de dados.

Para a equipe chinesa, esse paralelo é conveniente tanto pelo conteúdo quanto pelo marketing. Porém, "não contradiz a ideia" e "implementa o mesmo mecanismo" são afirmações diferentes. Resta saber se o LoopWAM aprende com a própria experiência em tempo real ou se o princípio está apenas embutido no ciclo de treinamento. A resposta virá do artigo e do código.

O que verificar na prática

Quem trabalha com robótica pode seguir uma lista curta:

1. Abrir a página do projeto e procurar a tabela de resultados de cada uma das 30 tarefas. A pontuação geral em primeiro lugar pode esconder falhas em cenários específicos.

2. Comparar as condições de avaliação: se o hardware era o mesmo, o número de tentativas e se houve ajuste fino (fine-tuning) para tarefas específicas. 3.

Verificar se o repositório tem os pesos do modelo, e não apenas o código. Para reproduzir o resultado, isso é fundamental. 4.

Conferir os requisitos de computação na inferência. Modelos de mundo são mais pesados que políticas diretas, e a frequência de controle é crítica para um braço robótico. 5.

Entender como funciona o mecanismo de autoaprendizado após a implantação, se ele existir: quais sinais de recompensa são usados e quem rotula o sucesso.

O código aberto faz do LoopWAM um ponto de referência útil para laboratórios que constroem seus próprios modelos de mundo. Se os pesos e o protocolo de avaliação se mostrarem completos, o projeto poderá virar referência para os próximos trabalhos no RoboChallenge. Se não, será mais um resultado forte difícil de verificar. Por ora, é cedo para julgar: faltam os números do artigo.