Simate-beta se estrena como el modelo de IA físico de mejor desempeño en RoboDojo

La IA estudia la IA, y esta vez tiene una respuesta del mundo físico.

Una empresa fundada hace solo tres meses presenta su primer sistema físico universal, Simate-beta: muestra capacidad de memoria, tareas a largo plazo, operaciones finas y adaptación a tareas, y según la empresa, ocupa el primer lugar en RoboDojo.

La lista por supuesto no representa todas las capacidades del modelo, pero ofrece una perspectiva para observar la velocidad y la fortaleza del desarrollo.

Según el equipo, el modelo base presentado para esta evaluación no fue optimizado específicamente para esta lista.

En solo tres meses, el primer modelo ha logrado estos resultados, lo que merece atención.

El equipo se llama Simate (Silicon Mate).

También tiene un respaldo importante. Según la empresa, el equipo principal llevó la capacidad del modelo de conducción autónoma de un solo paso de extremo a extremo hasta niveles comparables con el Tesla FSD y logró su implementación masiva.

A nivel mundial, muy pocos equipos han cruzado esta barrera; aún menos lo hacen al continuar avanzando con la inteligencia artificial física general basada en este conocimiento acumulado.

Sin embargo, lo más interesante de esto es el método de desarrollo que establecieron desde el primer día de su creación:

IA para IA física, permitir que la IA participe en la investigación y iteración de la inteligencia física misma.

La empresa organiza modelos, datos, capacidad de cómputo y procesos experimentales en torno a esta línea. Simate-beta es precisamente el primer producto práctico de este sistema de desarrollo nativo de IA.

Además, las herramientas de investigación ya están siendo utilizadas por investigadores externos.

Según la empresa, investigadores de instituciones como MIT, Caltech, Tsinghua y Peking University ya han participado en la prueba interna de la plataforma AutoResearch. Su infraestructura Sinfra cubre entrenamiento, simulación e inferencia; los recursos disponibles se confirmarán según la solicitud.

Al mismo tiempo, Simate ha completado múltiples rondas de financiación por miles de millones de yuanes chinos.

Tres meses, modelos, plataforma de investigación, pruebas externas y financiación avanzan simultáneamente. Esta velocidad realmente hace que quieras ver el siguiente paso.

El equipo también ha dado una previsualización: se ha desarrollado una idea técnica para la generalización de cero muestras en tareas complejas, y se planea lanzar resultados parciales a finales de este año.

En su opinión, que GPT-6 comience a participar en operaciones del mundo físico es un avance esperado, y el avance de la IA física podría ocurrir más rápido de lo que la comunidad externa imagina. Desean superar aún más la dependencia de la adaptación por tarea y el entrenamiento posterior, impulsando a la IA física hacia su propio "momento GPT-3".

Tres trabajos de investigación, incluyendo modelado e investigación en automatización, también se publicarán progresivamente a través de artículos y informes técnicos, y los resultados relacionados planean abrirse en fases.

Esta velocidad de desarrollo, y su capacidad para mantenerse, se convierte en lo más importante a observar para Simate a continuación.

Entonces, ¿qué logró realmente el primer modelo? ¿Cómo participó la IA en la investigación?

Simate busca finalmente acercarse a la operación de IA física universal con cero ejemplos (Zero-Shot) y pocos ejemplos (Few-Shot).

En un entorno completamente nuevo y desconocido, el sistema no debería recopilar un nuevo conjunto de datos, entrenar un modelo nuevamente y ajustar nuevamente la ingeniería cada vez que se añade una nueva tarea.

Este es precisamente el sector más popular y más desafiante de la IA física en la actualidad: una competencia intensa donde cada uno muestra sus habilidades.

La solución propuesta por Simate en esta etapa se llama: Sistema Rápido de Física Universal.

Es decir, el Sistema Uno.

Primero, usemos un ejemplo humano:

Para instrucciones complejas como «Ayúdame a ordenar la mesa», necesitamos el «sistema dos» para comprender la intención y desglosar los pasos;

Pero cuando la mano ya se ha extendido hacia la taza, ese movimiento de milisegundos, decidir si ajustar unos milímetros a la izquierda o un poco a la derecha, no puede depender de una reflexión profunda en cada paso.

Lo mismo ocurre con la IA física.

Un sistema general "lento" se encarga de la planificación de alto nivel y el razonamiento complejo, mientras que un sistema "rápido" suficientemente potente se encarga de percibir en tiempo real el mundo físico en constante cambio y generar acciones extremadamente rápidas.

Simate eligió precisamente el último—

Aumentar la cantidad de parámetros del sistema rápido para explorar la aparición de la capacidad de generalización zero-shot y desafiar los límites de tamaño y capacidad de los modelos deployables en el borde.

A general physical fast system.

Sin embargo, ser grande y rápido al mismo tiempo es un difícil compromiso.

Simate eligió comenzar con dos cosas:

1. Percepción física 4D

Para comprender el mundo físico, es necesario captar simultáneamente los cambios dinámicos en la estructura espacial y la dimensión temporal, para que la representación física sirva realmente a la acción.

2. Memoria secuencial jerárquica

Las tareas a largo plazo requieren recordar lo ocurrido anteriormente, las operaciones continuas necesitan rastrear el estado, y las respuestas inmediatas no pueden verse ralentizadas por la gran cantidad de información histórica.

Percepción física 4D y memoria secuencial jerárquica, que apuntan conjuntamente a la alineación con la forma en que el sistema rápido humano procesa el mundo continuo.

Esta arquitectura también se basa en la experiencia del equipo en modelos visuales a gran escala, modelado de series temporales, inferencia en tiempo real y despliegue a escala de producción. La arquitectura específica y el tamaño del modelo se revelarán en informes técnicos futuros.

El estado final deseado es: el modelo comprende claramente lo que está sucediendo en este momento, recuerda lo que ocurrió justo antes y puede decidir oportunamente el siguiente paso.

Colaborar con la capacidad de razonamiento general representada por modelos avanzados como GPT-6 para avanzar en la ejecución en cero muestras de tareas complejas.

Según la demostración en dispositivo real de Simate-beta proporcionada actualmente por la empresa, las pruebas se centran principalmente en la adaptación impulsada por demostraciones, la memoria, la ejecución compleja a largo plazo y las operaciones precisas.

Según la lista RoboDojo proporcionada por la empresa y actualizada el 23 de septiembre de 2026, simate-beta ocupa el primer lugar con una puntuación promedio de 33.95, correspondiente a un SR del 27.96%. Este resultado es parte de la evaluación de la lista; el rendimiento en dispositivos reales se mostrará por separado.

Detrás de esta hoja de respuestas del modelo se encuentra otro sistema igualmente digno de explorar.

En los últimos años, la gente se ha acostumbrado cada vez más a que la IA escriba código.

Pero en realidad, en la investigación de IA, escribir código es solo una pequeña parte.

Con frecuencia, la eficiencia de iteración es la clave del éxito. Quien pueda validar más hipótesis de investigación en un período de tiempo determinado será el primero en salir adelante.

Por ejemplo, el más simple.

Las tareas a largo plazo de los robots siempre se atascan en algún paso, y las razones no son más que unas pocas: distribución de datos distorsionada, cuello de botella en la estructura del modelo, desequilibrio en la proporción de trayectorias o estrategia de entrenamiento fallida.

Detrás de cada dirección hay docenas e incluso decenas de experimentos.

Si todo dependiera de que los investigadores cambien manualmente la configuración, inicien tareas, monitoreen el entrenamiento, ejecuten evaluaciones y luego recojan los resultados, ¡el té ya estaría frío!...

Entonces Simate hizo AutoResearch para acelerar este proceso—

Investigador humano: plantear hipótesis, establecer objetivos, delimitar restricciones.

Motor AutoResearch: automatiza automáticamente el proceso completo de desglosar, ejecutar y proporcionar retroalimentación de los experimentos restantes.

El resultado final también se ha revelado: con este método se llevaron el primer puesto en RoboDojo.

Lo más importante es la velocidad.

Simate tardó solo tres meses desde su fundación hasta alcanzar el primer puesto en RoboDojo.

Esto es absurdo...

Entonces surge la pregunta:

¿Cómo debe la IA "investigar la IA"?

Claramente, solo introducir un agente no es suficiente.

El desarrollo real de robots atraviesa profundamente el código del modelo, las tuberías de datos, los clústeres de entrenamiento, el entorno de evaluación, la retroalimentación de máquinas reales y los registros de experimentos de los últimos meses e incluso años.

Al final, sigue siendo un problema de «contexto». El agente necesita una superinterfaz que pueda coordinar todo.

Para ello, Simate ha desarrollado una arquitectura de tres capas: SiPAI + AutoResearch + Infraestructura nativa de IA.

SiPAI: Hacer que la arquitectura del modelo sea "investigable por IA"

Este es un marco de modelos plug-and-play nativamente orientado a la investigación automatizada.

En pocas palabras, se trata de construir el modelo del robot con una estructura que la IA pueda leer fácilmente: los límites de los módulos, las interfaces del sistema, los elementos de configuración y los procesos de validación están definidos de manera extremadamente clara.

Solo así, después de recibir el tema de investigación, el agente podrá saber con precisión: ¿qué módulo modificar? ¿Qué se verá afectado por el cambio? ¿Y cómo verificarlo finalmente?

Actualmente, Simate ha completado la construcción de esta infraestructura y se ha conectado exitosamente a varias arquitecturas principales, como modelos mundiales, modelos de acciones mundiales, VLA y VLM.

Tanto los investigadores humanos como los agentes pueden combinar libremente componentes, ajustar implementaciones locales y utilizar la misma tubería de entrenamiento y evaluación.

AutoResearch: Proporciona un «contexto de investigación» actualizado en tiempo real

Si SiPAI ofrece un manual estático, AutoResearch resuelve la brecha de información dinámica:

¿En qué fase va la investigación? ¿Qué obstáculos se han enfrentado antes? ¿Cuál es la evidencia más reciente?

Integra todos los artículos de vanguardia externos, materiales de estudio internos del equipo, código del modelo, proporciones de datos, registros históricos de experimentos y retroalimentación actualizada de evaluaciones en un único contexto de investigación dinámico.

Este Context se actualizará en tiempo real, ya sea que se haya publicado un nuevo artículo, se haya enviado una nueva versión del código interno o que los datos experimentales más recientes hayan refutado hipótesis anteriores.

De esta manera, cada recomendación de investigación propuesta por el agente puede anclarse con precisión a la rama de código y la versión del experimento específicas:

Lo más interesante es la profunda integración entre la "experiencia humana" y los "experimentos de Agent":

Los investigadores humanos pueden inyectar restricciones y direcciones de optimización en cualquier momento; una vez que un experimento valida un componente efectivo, este se convierte inmediatamente en un nuevo punto de partida para experimentos posteriores; la metodología derivada de una rama también puede ser reutilizada sin interrupciones por los Agentes siguientes.

Los hallazgos de investigación se convirtieron realmente en medios de producción para la próxima ronda de investigación.

Infra nativa de IA: Haz que la rueda de desarrollo 7×24 gire

Of course, an agent being able to write code is not enough—the experiments must run efficiently.

Simate integra todo el proceso de entrenamiento, inferencia y evaluación en su infraestructura propia, aprovechando una planificación de tareas y una asignación de recursos extremadamente eficientes para avanzar simultáneamente en decenas de líneas de investigación independientes.

Para evitar el desperdicio de poder de cómputo, Simate emplea un mecanismo de filtrado de alta frecuencia: todas las rutas primero pasan por una primera filtración rápida mediante «modelo del mundo + entorno de simulación», eliminando la mayoría de las direcciones inválidas;

Solo los proyectos realmente con potencial pasarán a la prueba en vivo.

Se descubrieron nuevos problemas en el dispositivo real, por lo que se regresó al contexto de investigación, cerrando así el ciclo:

El resultado final es que los humanos solo necesitan proponer una dirección de exploración, y el sistema subyacente puede ejecutar automáticamente decenas de experimentos en paralelo.

Este también es el secreto clave que permitió a Simate alcanzar el primer puesto en tres meses.

Pero lo más sorprendente es que eligieron abrir directamente como código abierto esta herramienta interna de productividad tan fundamental.

La página luce así; los interesados pueden obtenerla al final del artículo.

Actualmente, investigadores de universidades de primer nivel como Tsinghua, MIT y la Universidad Científica y Tecnológica de Hong Kong ya han ingresado en la prueba interna.

Fundador Zhang Ying, ex responsable técnico principal de una empresa líder en conducción autónoma.

Cuenta con una amplia experiencia práctica en ingeniería, ha participado en el desarrollo de tres generaciones de soluciones de conducción inteligente: con imagen, sin imagen y end-to-end, y también ha trabajado durante muchos años en la producción en masa.

Según se indica, el sistema de conducción autónoma que ha impulsado es el más cercano al Tesla FSD en China.

Además, el equipo cuenta con dos figuras clave.

1. Solo el lado ocupado.

Profesor asistente de la Universidad Ciencia y Tecnología de Hong Kong y director de World Mind Lab, con larga experiencia en la investigación de modelos mundiales y IA física.

2. Ji Ma Zeyu.

Científico nacido en los años 2000, con líneas de investigación que abarcan percepción 3D, manipulación hábil y control integral de robots humanoides.

Antes de unirse a Simate, fue miembro fundador de Assured Robot Intelligence en Silicon Valley.

ARI was later acquired by Meta.

Los mercados de capital también han votado con dinero real.

Solo tres meses después de su fundación, Simate ha completado múltiples rondas de financiación, cada una de miles de millones de yuanes chinos.

Y todo esto, es apostar por lo mismo:

RSI físico.

Simate desde su primer día se enfocó en esta dirección y definió tres tipos diferentes de RSI.

1. SI débil: límites claros, cierre rápido

Modo de conducción conjunta humano-máquina: el investigador establece objetivos y restricciones; durante la ejecución normal, ya no se requiere participación paso a paso del investigador, y los anormalidades pueden ser escaladas para su manejo.

Este ascenso a RoboDojo es la validación de ingeniería de la primera fase.

2. SI central: dirección clara, pero respuesta desconocida

¿Cómo mejorar la memoria del modelo? ¿Cómo se debe ajustar la proporción de datos para ciertos tipos de tareas?

La dirección ya está clara, pero solo mediante múltiples experimentos se podrá determinar qué方案 es efectivo.

En este momento, el agente se encarga de organizar el contexto, implementar soluciones, ejecutar experimentos y comparar resultados; mientras que el investigador se encarga de filtrar hipótesis, explicar evidencias contradictorias y tomar decisiones clave.

Esto también es, de hecho, la categoría con mayor valor práctico en la etapa actual.

3. Fuerte SI: El propio estudio necesita ser descubierto

La más difícil, y también la que más toca la esencia de la inteligencia:

¿Cómo mejorar la capacidad de generalización del modelo en tareas completamente nuevas?

Ya no existe un camino claro para resolver este tipo de problemas. El sistema debe comprender por sí mismo el objetivo, identificar los problemas realmente dignos de investigación y mantener la dirección durante mucho tiempo, ajustando constantemente su rumbo.

Esto comienza a involucrar lo que se llama «gusto en la investigación».

En esta etapa, este tipo de trabajo sigue requiriendo la dirección de investigadores experimentados. Los agentes brindan apoyo principalmente en la revisión de literatura, evidencias, experimentos y exploración de rutas.

Es importante destacar que, según Simate, los SI débiles, medios y fuertes no tienen niveles jerárquicos y pueden coexistir simultáneamente dentro del mismo sistema de desarrollo.

Lo más importante es aún el primer principio mismo de la «evolución».

Cada mejora del sistema hace que la siguiente mejora sea más fácil de lograr.

Cuando los datos, los modelos y la implementación real se conectan en un bucle automático, el límite de los robots ya no depende únicamente del límite humano.

Este es el Physical RSI, actualmente la ruta candidata más popular para Physical AGI.

Of course, what Simate is showing now is still in its early form.

El ser humano en el bucle aún existe, y los investigadores siguen teniendo el juicio más crítico en todo el ciclo.

Pero esto justamente demuestra que la investigación automatizada no necesita esperar hasta el día en que no haya ninguna participación humana para comenzar a generar valor.

Antes de que surja verdaderamente una capacidad más fuerte de investigación autónoma, ya asignar gradualmente a los Agentes las etapas de alto costo y fácilmente estandarizadas —como el diseño experimental, el entrenamiento, la evaluación y la retroalimentación— puede aumentar significativamente el rendimiento de la investigación.

El informe de RoboDojo también valida la viabilidad del camino de "conducción conjunta humano-máquina" en el campo de la IA física—

RSI, realmente ha comenzado.

Por cierto, hay otra cosa.

La plataforma de investigación AutoResearch ya ha iniciado su prueba interna y actualmente está reclutando activamente.

¡Potencia de cálculo de mil kcal, ¡esperamos que te unas a jugar!~

Sitio web:

https://mate-robot.cn/

Plataforma de investigación AutoResearch:

https://mate-robot.cn/research/sinfra/

Este artículo proviene del canal de WeChat "Quantum Bit" (ID: QbitAI), autor: Jay