Runtime REA leva a taxa de sucesso no LIBERO-Pro a 95,9%, contra 94,7% do melhor agente

Os grandes modelos raciocinam bem, mas são lentos e caros demais para controlar um manipulador diretamente. As políticas rápidas, como os modelos VLA e os controladores de corpo inteiro, reagem em frações de segundo, mas generalizam mal. Um grupo de autores da Universidade Nacional de Singapura, da UC Berkeley, da Universidade de Tóquio, da Universidade de Ciência e Tecnologia de Hong Kong e de outros centros propõe o REA (Routed Embodied Agent), um runtime único em que o «cérebro» e o «cerebelo» trabalham de forma assíncrona. Em 3000 episódios de teste nas 60 tarefas do LIBERO-Pro, o sistema alcançou 95,9% de sucesso e superou o melhor agente isolado, Agents SDK + GPT-6 (94,7%).

Por que a combinação «agente + política rápida» falha

Os autores começam pelos números do custo de um agente que raciocina. O agente de programação gastou em média 43 minutos por tarefa do LIBERO, e o pipeline Codex + GPT-6 consumiu 89 milhões de tokens de entrada para gerar programas para as 60 tarefas do LIBERO-Pro. Usar o modelo como controlador direto também não funciona: emitindo tokens individuais ou ações IK cartesianas, ele resolveu 1 de 1987 episódios e 0 de 600. Ao mesmo tempo, os modelos VLA que passam de 90% no LIBERO convencional perdem desempenho de forma visível no conjunto perturbado do LIBERO-Pro.

Uma simples junção dos dois níveis traz dois problemas típicos. Se o agente chama a política rápida e espera a resposta, o robô fica parado: o agente-conselheiro, que o roteador aguarda, consumia 2,6 segundos por episódio, cerca de 20% do tempo de controle. Se, em vez disso, a política rápida só chama o agente quando há erro, isso também não ajuda: um erro persistente aciona o «cérebro» repetidas vezes, e a maioria das falhas nem chega a gerar uma exceção. O roteador com gatilho por exceções escalou apenas 6 vezes em 590 episódios, embora 166 deles tenham terminado em fracasso. Reexecutar também é arriscado: se a tarefa já está resolvida, a nova execução pode desfazer o resultado.

Três níveis e a «regra de ouro»

O REA se apoia numa regra: nenhuma política em execução espera pelo cérebro. O sistema tem três níveis. O System 2 é o agente, que gera políticas offline ou online e dá conselhos ou emite vereditos. O System 1 é o «roteador embodied»: ele mesmo não emite ações, mas decide qual política executar e quando recorrer ao agente. O System 0 reúne as políticas rápidas: programas congelados, VLAs ou controladores de corpo inteiro que devolvem o controle nas fronteiras dos segmentos (por exemplo, o programa é pausado a cada 100 passos).

O roteador se baseia em três mecanismos:

• Route memory. Antes da avaliação, cada política é executada em episódios separados de desenvolvimento, e se registram sua taxa de sucesso e o número médio de passos. No teste, a escolha da política vira uma simples consulta a uma tabela, sem chamar o agente.
• Judge gate. Quando uma política devolve o controle, um modelo visual atuando como juiz compara, em paralelo, o quadro inicial e o atual com a instrução e decide se a tarefa foi resolvida. Se sim, o sistema para e não estraga um resultado que já estava pronto. Assim se detectam falhas «silenciosas», sem exceções. O limiar e o prompt do juiz foram congelados em 216 exemplos anotados antes dos testes.
• Escada de escalonamento com orçamento compartilhado. As políticas seguintes são executadas a partir do estado atual, e todas as execuções e chamadas ao cérebro gastam um único orçamento de passos e tempo, de modo que o episódio não excede o orçamento de uma política isolada.

O que mostraram os experimentos

Segundo os autores, o REA foi o método mais rápido entre os medidos e ficou dentro de 1% do «oráculo retrospectivo», que escolhe a melhor política para cada tarefa a posteriori. No texto do artigo, o tempo de controle do REA é 17% menor que o do Agents SDK + GPT-6 e 25% menor que o do conselheiro bloqueante. No resumo, a redução do tempo e dos passos de controle aparece como 17% e 25%, respectivamente.

Em um estudo à parte no RoboTwin 2.0 (50 episódios limpos e 50 randomizados), o REA com políticas VLA obteve 84%, e com VLA e código, 86%. O modelo VLA isolado mais forte, o MEDex, fez 80%. No BEHAVIOR-1K, o sistema resolveu 27 de 50 episódios, contra 25 do agente baseado no Agents SDK, mas os próprios autores observam que a diferença não é estatisticamente significativa. No teste com 200 cenas do RoboTwin, o resultado foi 97/200 contra 75/200 do Codex CLI. No humanoide real Unitree G1, o robô se aproximou da cadeira e a empurrou em 8 de 10 tentativas.

Limitações

A maior parte dos resultados vem de simuladores, e o experimento real se limita a dez tentativas em uma única tarefa. A vantagem no LIBERO-Pro é de cerca de 1,2 ponto percentual, por isso importam o tamanho da amostra e os testes estatísticos pareados, que os autores aplicam. O pool de políticas continua sendo preparado offline pelo agente, então o custo de gerar os programas não desaparece. Para quem trabalha na prática, porém, a conclusão é clara: convém tirar o agente caro do laço de controle. Ele deve preparar as políticas com antecedência e atuar como juiz nas fronteiras dos segmentos, enquanto a escolha da política fica com um roteador barato, com memória dos resultados anteriores.