Recursia supera o Nvidia ASPIRE em 10 pontos em tarefas longas de robótica

O Recursia, método baseado no paradigma Embodied RSI, supera o Nvidia ASPIRE em 10 pontos em tarefas longas e de vários passos para robôs. A informação é do veículo chinês Jiqizhixin. O objetivo dos desenvolvedores é a generalização zero-shot: fazer com que o manipulador execute uma sequência de ações em cenas que ele não viu durante o treinamento. É justamente aí que os robôs atuais mais falham, mesmo quando cada habilidade isolada está bem treinada.

Tarefa T3: por que arrumar uma mesa simples é difícil

Para ilustrar, os autores citam a tarefa longa T3, executada em um manipulador real. O robô coloca uma tigela sobre um prato, depois pega uma xícara e a coloca dentro da tigela que acabou de ser movida. Para uma pessoa, isso leva alguns segundos. Para o robô, a dificuldade está no fato de que o segundo passo acontece em uma cena alterada pelo primeiro. A tigela já não está onde estava no início, e a posição dos objetos difere da que o modelo viu no começo.

Esses erros se acumulam. Reconhecimento, preensão e posicionamento podem funcionar com alta confiabilidade de forma isolada, mas, em uma cadeia de vários passos, pequenas imprecisões se multiplicam, e a política cai em estados que não existiam nos dados de treinamento. Por isso, as tarefas longas se tornaram o principal teste de generalização: demos curtos escondem muita coisa, enquanto os longos mostram onde o sistema quebra.

O que se sabe sobre o Recursia e o RSI

Em robótica, RSI costuma ser traduzido como autoaperfeiçoamento recursivo: o sistema usa a própria experiência e os próprios resultados para melhorar. O Embodied RSI leva essa ideia para agentes físicos. Os autores, porém, são cautelosos: o material afirma de forma direta que o "momento RSI" da robótica ainda está muito distante. Eles apresentam o Recursia como um passo nessa direção, e não como a chegada desse momento.

Do trecho disponível da publicação, é possível extrair o seguinte:

• método: Recursia, paradigma Embodied RSI;
• objetivo: generalização zero-shot de robôs;
• comparação: Nvidia ASPIRE;
• resultado: vantagem de 10 pontos em tarefas longas;
• validação: robô real, com a tarefa T3 como exemplo;
• fonte: Jiqizhixin, 14 de outubro de 2026.

A reportagem deixa em aberto questões importantes. Não está claro em que unidade os "pontos" foram medidos (provavelmente na taxa de execuções bem-sucedidas, mas isso não foi confirmado). Também são desconhecidos o tamanho da amostra, o número de tarefas longas, o comprimento das cadeias e a forma exata como o ASPIRE foi executado como linha de base. Não há dados sobre o volume de simulação e de tentativas reais necessário para o autoaperfeiçoamento.

Como ler esse tipo de resultado

Para engenheiros e investidores que acompanham robôs manipuladores, a principal conclusão prática é esta: vale olhar para tarefas longas, com estado de cena que muda, e não para demos de habilidades isoladas. É ali que se pode ver generalização de verdade. Antes de concluir que o Recursia é superior, é preciso esperar o artigo ou o preprint e verificar três pontos: a métrica, o número de execuções em hardware real e a equidade da comparação com o ASPIRE nas mesmas tarefas e nas mesmas condições.

Dez pontos em um benchmark com algumas dezenas de execuções e dez pontos em centenas de tentativas em cenas variadas são afirmações diferentes. Enquanto os detalhes não forem publicados, trata-se de um sinal de direção, e não de um avanço comprovado.