Manifold AI lidera o RoboDojo e supera GPT-6-Astra e GR00T-N1.7

A Manifold AI ficou com a primeira posição no Agent Track do RoboDojo, benchmark que avalia o aprendizado de robôs. GPT-6-Astra e NVIDIA GR00T-N1.7, duas referências de peso entre os modelos robóticos de uso geral, ficaram para trás. A vitória veio do sistema R²SI, que evoluiu de um trabalho de três meses atrás: na ocasião, a Manifold AI lançou um world action model com aprendizado em contexto (In-Context Learning, ICL).

O que se sabe sobre o resultado

A fonte informa três pontos. A Manifold AI superou os concorrentes especificamente no trilho de agentes, e não na tabela geral. Entre os superados estão tanto um modelo de linguagem de uso geral do nível do GPT-6-Astra quanto o GR00T-N1.7, modelo especializado em robótica da NVIDIA. E a liderança veio três meses depois do lançamento do modelo anterior com ICL.

O trecho disponível não traz números: nem pontuações, nem a distância para o segundo colocado, nem a quantidade de tarefas do benchmark. O significado da sigla R²SI também não foi explicado. Por isso, ainda é cedo para avaliar a dimensão da vitória. Na tabela, um primeiro lugar por margem mínima e uma liderança folgada em todos os cenários têm a mesma aparência.

Por que o ICL importa para robôs

Um world action model prevê como o mundo muda depois de uma ação do robô e, ao mesmo tempo, escolhe a própria ação. Com ICL, o modelo pode se ajustar a uma nova tarefa a partir de alguns exemplos no contexto, sem retreinar os pesos. Para um laboratório, isso economiza semanas de coleta de dados e de ajuste fino. Para o cliente, encurta o caminho entre "queremos que o robô faça assim" e um protótipo funcional.

A comparação com o GPT-6-Astra é reveladora por outro motivo. Grandes modelos de uso geral planejam e raciocinam bem, mas a física do contato, as latências e os erros de execução continuam sendo um ponto fraco. Se um sistema especializado os supera em um trilho de agentes, isso reforça o argumento a favor de modelos treinados com dados de ações e da dinâmica do mundo. O GR00T-N1.7 pertence justamente a essa classe, e superá-lo também não é simples.

O que está confirmado e o que não está

• Benchmark: RoboDojo, trilho Agent Track.
• Resultado: primeiro lugar no ranking.
• Superados: GPT-6-Astra e NVIDIA GR00T-N1.7.
• Antecessor: world action model com ICL, apresentado três meses atrás.
• Novo sistema: R²SI.
• Não revelado no trecho original: pontuações finais, tamanho do modelo, dados de treinamento, disponibilidade dos pesos e da API.

O que as equipes devem observar

Enquanto não houver relatório técnico, o resultado deve ser tratado como um sinal forte, mas não como motivo para trocar de stack. Vale checar quatro pontos. Primeiro: se a Manifold AI publica o protocolo de avaliação e se equipes independentes conseguem reproduzir os números. Segundo: quanto do ganho no Agent Track se transfere para as suas tarefas, como manipulação, preensão e trabalho com objetos fora do padrão. Terceiro: quantos exemplos em contexto o R²SI precisa para se adaptar e como a latência de inferência cresce. Quarto: que tipo de acesso será oferecido, se pesos abertos, API na nuvem ou apenas pilotos com parceiros.

Para quem constrói robôs com GR00T ou com base em LLMs de uso geral, o passo sensato agora é este: quando os detalhes saírem, rodar os próprios cenários no RoboDojo e comparar com o seu pipeline usando dados próprios. Se o ICL da Manifold AI funcionar como declarado, o ganho estará na velocidade de implantação de novas tarefas, e não apenas numa linha da tabela.