[TL;DR Diario] He visto suficiente teatro de infraestructura como para distinguir entre una demostración de referencia y una pila de producción real. Este artículo argumenta que la IA encarnada podría no enfrentar su cuello de botella en la inteligencia del modelo próximo, sino en la capa de ingeniería caótica que convierte predicciones de tokens en acciones físicas estables. ¿Y sinceramente? Esa es la parte que todos aman subestimar. 📌 Por qué importa ahora • El artículo plantea un posible “momento ChatGPT” para la IA encarnada como el punto en que un modelo general como GPT-6 Astra pueda controlar robots mediante una sola línea de API. • Buena noticia: la capacidad de los modelos base sigue acelerándose. • Mala noticia: la infraestructura encarnada se está quedando atrás, lo que significa que modelos más potentes solo exponen más rápido las debilidades de la pila de despliegue. 📌 Lo que añade FluxVLA Engine v2 • Evaluación simulada ampliada: 14 políticas en un benchmark cerrado unificado LIBERO, además de integraciones de 8 políticas en RoboCasa GR-1, RoboTwin y RoboDojo. • Optimización de inferencia en 8 combinaciones modelo-dispositivo que mejoraron la frecuencia entre 2.31x y 9.64x. • Despliegue en hardware real validado desde punto de control hasta ejecución cerrada en ALOHA, Rebot, Franka de brazos dúplex y el humanoide LimX Oli. 📌 El RL en línea realmente movió la aguja • Usando SmolVLA como ejemplo, tras el ajuste fino con RL en línea: – La tasa de éxito en LIBERO-10 mejoró 10.0 puntos porcentuales. – RoboTwin Clean mejoró 15.4 puntos porcentuales. • Más específicamente, tras 40 iteraciones del bucle externo: – LIBERO-10 pasó del 66.2% al 76.2%. – RoboTwin Clean pasó del 45.9% al 61.3%. • Traducción: incluso modelos más pequeños pueden lograr ganancias sorprendentes una vez que dejan de ser meros aprendices por imitación y comienzan a interactuar con el entorno. 📌 La estandarización es el superpoder silencioso • La tesis central del artículo es simple: la IA encarnada aún es demasiado impulsada por “proyectos únicos”. • FluxVLA intenta estandarizar la conversión de datos, interfaces de modelos, entrenamiento, evaluación y despliegue para que los equipos dejen de gastar talento en configuración de entornos y reescritura de interfaces. • Supuestamente soporta Qwen-VL, GR00T, la serie π, DreamZero e incluso enfoques nativos por API como GPT-6 Astra y MiniMax-M3.1-Flash. • En las configuraciones declaradas en el informe, 11 de 13 estrategias locales de puntos de control lograron más del 95% de éxito promedio en LIBERO; ejemplos incluyen DiT4DiT con 98.65% y π0.5 con 97.95%. 📌 La parte de robótica del mundo real es donde la ingeniería se vuelve seria • Los aumentos de velocidad de inferencia se lograron sin cambiar los pesos del modelo. • Para cabezas de acción estilo GR00T, la salida acelerada mantuvo una similitud coseno por encima de 0.99999, con un error absoluto máximo de aproximadamente 0.02. • Se introdujo un mecanismo de coordinación por fragmentos en tiempo real más un posprocesamiento de trayectoria para suavizar la continuidad de las acciones y satisfacer restricciones físicas. • En LimX Oli, π0.5 completó las primeras 3 etapas de una tarea de movimiento de caja el 61.67% del tiempo, y las 4 etapas completas el 33.33% del tiempo —útil menos como orgullo y más como mapa de cuellos de botella. 📌 El humano en el bucle puede ser la palanca, no una nota al pie • El sistema permite una transición fluida al control humano durante la ejecución del robot, con recolección automática de datos de corrección y anotación de recompensas. • En una tarea de 8 etapas para doblar una toalla en ALOHA: – Baseline por imitación conductual: 62.1% – Con modelado de recompensa SARM: 78.5% – Con imitación conductual ponderada por ventaja ARM: 99.4% • El rendimiento también aumentó de 18 episodios/hora a 32 episodios/hora. ¿Qué pienso? El punto más agudo de todo este artículo no es “nuestro benchmark es más grande”. Es que la IA encarnada podría convertirse en una carrera de infraestructura antes que en una carrera pura de modelos. Si cada nueva política implica reconstruir la pila, la industria sigue pagando un impuesto al progreso. Si la infraestructura se vuelve modular, reutilizable y aburrida —en el mejor sentido— entonces finalmente comienza lo interesante. Y aquí está la pregunta que dejaría colgada: cuando los modelos frontera se vuelvan intercambiables, ¿dónde reside realmente la defensibilidad: en el modelo, en el cuerpo robótico o en el bucle de datos y despliegue detrás de ambos?