Simate-beta fait ses débuts en tant que modèle physique AI le plus performant sur RoboDojo

L'IA étudie l'IA, et cette fois, elle a une réponse du monde physique.

Une entreprise fondée il y a seulement trois mois présente son premier système physique universel, Simate-beta : démontrant la mémoire, les tâches à long terme, la manipulation fine et l'adaptabilité aux tâches, et selon la société, elle atteint la première place sur RoboDojo.

Le classement ne peut bien sûr pas représenter l'ensemble des capacités du modèle, mais il offre un aperçu de la vitesse et de la puissance du développement.

Selon l'équipe, le modèle de base soumis pour cette évaluation n'a été optimisé en aucune manière pour cette liste.

Après seulement trois mois d'existence, ce premier modèle affiche des résultats remarquables.

L'équipe s'appelle Simate (Silicon Mate).

Le pedigree n’est pas négligeable. Selon l’entreprise, l’équipe principale a fait progresser le modèle de conduite autonome end-to-end en une seule étape jusqu’à un niveau comparable à celui du Tesla FSD, et a réussi à le mettre en production.

À l'échelle mondiale, très peu d'équipes ont franchi ce seuil ; encore moins sont celles qui continuent à développer l'IA physique universelle avec cet héritage.

Cependant, ce qui est le plus intéressant cette fois-ci, c'est la méthode de développement qu'ils ont définie dès le premier jour de leur création :

IA pour l'IA physique, impliquer l'IA dans la recherche et l'itération de l'intelligence physique elle-même.

L'entreprise organise ses modèles, données, puissance de calcul et processus d'expérimentation autour de cette approche. Simate-beta est le premier produit issu de ce système de recherche et développement natif à l'IA.

De plus, les outils d'analyse ont déjà été adoptés par des chercheurs externes.

Selon l'entreprise, des chercheurs provenant de institutions telles que le MIT, le Caltech, Tsinghua et Peking ont participé à la bêta du plateau AutoResearch. Ses infrastructures Sinfra couvrent l'entraînement, la simulation et l'inférence ; les ressources disponibles sont confirmées selon les demandes.

Dans le même temps, Simate a achevé plusieurs tours de financement d'un montant de plusieurs centaines de millions de yuans.

Trois mois, modélisation, plateforme de recherche, essais externes et financement avancent en parallèle. Cette vitesse fait vraiment envie de voir la suite.

L'équipe a également annoncé : une approche technique pour la généralisation zéro-shot sur des tâches complexes a été développée, et des résultats intermédiaires sont prévus pour la fin de cette année.

À leurs yeux, il est logique que GPT-6 commence à participer aux opérations dans le monde physique, et que les percées en matière d’IA physique se produisent plus rapidement que ce que l’on imagine hors du cercle. Ils espèrent dépasser la dépendance à l’adaptation tâche par tâche et au fine-tuning, pour propulser l’IA physique vers son propre « moment GPT-3 ».

Trois travaux de recherche, notamment sur les modèles et l'automatisation, seront progressivement publiés sous forme d'articles et de rapports techniques, et les résultats associés prévoient d'être ouverts en plusieurs phases.

La vitesse de ce développement et sa capacité à être maintenue deviennent les éléments les plus à surveiller pour Simate.

Alors, qu'est-ce que le premier modèle a accompli ? Et comment l'IA a-t-elle participé à la recherche ?

Simate vise en fin de compte une opération d'IA physique générale en zero-shot et few-shot.

Dans un nouvel environnement inconnu, le système ne devrait pas collecter un nouvel ensemble de données, entraîner un nouveau modèle et réajuster les ingénieries à chaque ajout d'une nouvelle tâche.

C'est précisément le domaine le plus populaire et le plus exigeant actuellement pour l'IA physique — une compétition animée où chacun démontre ses compétences.

La solution actuelle proposée par Simate s'appelle : système universel de ralentissement physique.

C'est le système un.

Prenons d'abord un exemple avec des humains :

Face à des instructions complexes comme « Aide-moi à ranger la table », nous avons besoin du « système deux » pour comprendre l'intention et décomposer les étapes ;

Mais lorsque la main est déjà tendue vers le verre, des réactions d'ajustement millimétriques, qu'il faille déplacer légèrement vers la gauche ou vers la droite, ne peuvent pas à chaque étape dépendre d'une réflexion approfondie.

L'IA physique est pareille.

Un système général « lent » gère la planification stratégique et le raisonnement complexe, tandis qu'un système « rapide » suffisamment puissant assure la perception en temps réel du monde physique en constante évolution et génère des actions à grande vitesse.

Simate a choisi ce dernier —

Augmenter le nombre de paramètres du système rapide pour explorer l'émergence de la capacité de généralisation zéro-shot, et repousser les limites de taille et de performance des modèles déployables en périphérie.

A general physical fast system.

Cependant, être grand et rapide à la fois est un compromis difficile à gérer.

Simate a choisi de commencer par deux choses :

1. Perception physique 4D

Comprendre le monde physique exige de capturer simultanément les changements dynamiques de la structure spatiale et de la dimension temporelle, afin que la représentation physique serve véritablement l'action.

2. Mémoire temporelle hiérarchique

Les tâches à long terme nécessitent de se souvenir des événements précédents, les opérations continues exigent de suivre l'état, tandis que les réponses instantanées ne doivent pas être ralenties par un historique volumineux.

Perception physique 4D et mémoire temporelle hiérarchique, alignées sur la manière dont le système rapide de l'humain traite le monde continu.

Cette approche s'appuie également sur les compétences accumulées par l'équipe dans les domaines des modèles visuels à grande échelle, de la modélisation temporelle, de l'inférence en temps réel et du déploiement à grande échelle. L'architecture spécifique et la taille du modèle seront divulguées dans un rapport technique ultérieur.

L'état final souhaité est que le modèle comprenne ce qui se passe actuellement, se souvienne de ce qui s'est produit juste avant, et puisse décider en temps voulu de la prochaine étape.

Collaborez avec les capacités de raisonnement général représentées par des modèles de pointe comme GPT-6 pour avancer vers l'exécution zéro-shot de tâches complexes.

Selon la démonstration en conditions réelles de Simate-beta présentée par l'entreprise, les tests portent principalement sur l'adaptation aux tâches guidées par la démonstration, la mémoire, l'exécution complexe à long terme et les opérations fines.

Selon le classement RoboDojo fourni par l'entreprise et mis à jour le 23 septembre 2026, simate-beta occupe la première place avec un score moyen de 33,95, correspondant à un SR de 27,96 %. Ce résultat fait partie de l'évaluation du classement ; les performances sur appareil réel seront présentées séparément.

Derrière ce modèle de réponse se trouve un autre système tout aussi méritant d’être développé.

Ces dernières années, les gens s'habituent de plus en plus à ce que l'IA écrive du code.

Mais en réalité, dans la recherche sur l'IA, écrire du code ne représente qu'une petite partie.

Souvent, l'efficacité de l'itération est la clé du succès. Celui qui peut valider le plus d'hypothèses de recherche en un temps donné sortira en tête.

Voici un exemple très simple.

Les tâches à long terme des robots sont toujours bloquées à un certain stade, et les raisons ne sont généralement que quelques-unes : distorsion de la distribution des données, goulot d'étranglement de la structure du modèle, déséquilibre des proportions de trajectoire, ou échec de la stratégie d'entraînement.

Derrière chaque direction se trouvent une dizaine, voire une trentaine, de séries d'expériences.

Si tout dépendait des chercheurs pour modifier manuellement les configurations, lancer des tâches, surveiller l'entraînement, exécuter les évaluations et ensuite rassembler les résultats, les plats seraient déjà froids...

Alors Simate a créé AutoResearch pour accélérer ce processus —

Rechercheur humain : formuler une hypothèse, fixer des objectifs, définir des contraintes.

Moteur AutoResearch : prise en charge automatique, décomposition, exécution et retour en boucle automatisée des expériences restantes.

Le résultat final a également été annoncé : ils ont remporté la première place sur RoboDojo avec cette méthode.

Plus important encore, la vitesse.

Simate n'a mis que trois mois pour passer de sa création à la première place de RoboDojo.

C'est juste absurde...

Alors la question est :

Comment l'IA devrait-elle « étudier l'IA » ?

Il est évident qu'ajouter un seul Agent ne suffit pas.

Le véritable développement de robots traverse en profondeur le code du modèle, les pipelines de données, les clusters d'entraînement, les environnements d'évaluation, les retours en temps réel et les dossiers d'expériences des derniers mois, voire des dernières années.

Au fond, il s'agit toujours d'une question de « contexte ». L'agent a besoin d'une interface supérieure capable de coordonner tout.

À cet effet, Simate a mis en place une architecture en trois niveaux : SiPAI + AutoResearch + AI-native Infra.

SiPAI : Rendre l'architecture du modèle « étudiable par l'IA »

Il s'agit d'un cadre de modèles modulaires conçu nativement pour la recherche automatisée.

En résumé, il s'agit de construire le modèle de robot sous une structure que l'IA peut facilement comprendre — les limites des modules, les interfaces système, les paramètres de configuration et les processus de validation sont tous définis de manière extrêmement claire.

Seulement ainsi, après avoir reçu le sujet de recherche, l'agent pourra déterminer précisément : quel module modifier, quelles parties seront affectées par les modifications, et comment procéder à la validation finale ?

Actuellement, Simate a terminé la mise en place de cette infrastructure et a réussi à se connecter à plusieurs architectures principales, telles que le modèle du monde, le modèle d'actions du monde, VLA et VLM.

Que ce soit des chercheurs humains ou des agents, il est possible de combiner librement les composants, d’ajuster les implémentations locales et d’utiliser le même pipeline d’entraînement et d’évaluation.

AutoResearch : fournit un « contexte de recherche » actualisé en temps réel

Si PAI fournit un manuel statique, tandis qu'AutoResearch résout l'écart d'information dynamique :

À quel stade en est la recherche ? Quels pièges avez-vous déjà rencontrés ? Quelles sont les preuves les plus récentes ?

Il intègre tous les éléments — articles de pointe externes, documents de recherche internes, code du modèle, ratios de données, journaux d'expériences historiques et retours d'évaluation récents — dans un seul contexte de recherche dynamique.

Que ce soit la publication d'un nouvel article, le dépôt d'une nouvelle version du code interne, ou les dernières données expérimentales contredisant une hypothèse ancienne, ce Context sera mis à jour en temps réel.

Ainsi, chaque recommandation de recherche proposée par l'agent peut être précisément ancrée à une branche de code et une version d'expérience spécifiques :

Le point le plus intéressant réside dans le couplage approfondi entre « l'expérience humaine » et « les expériences d'Agent » :

Les chercheurs humains peuvent injecter des contraintes et des orientations d'optimisation à tout moment ; dès qu'une expérience valide un composant efficace, il devient immédiatement un nouveau point de départ pour les expériences suivantes ; les méthodologies développées dans une branche peuvent être réutilisées sans interruption par les agents suivants.

Les résultats de la recherche sont devenus véritablement des moyens de production pour la prochaine vague de recherche.

Infra native AI : faire tourner la roue de développement 24/7

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

Simate intègre l'ensemble du processus, de l'entraînement à l'inférence et à l'évaluation, dans son infrastructure propriétaire, en utilisant une orchestration et une allocation de ressources optimisées pour faire progresser simultanément des dizaines de lignes de recherche indépendantes.

Pour éviter le gaspillage de puissance de calcul, Simate utilise un mécanisme de filtrage à haute fréquence : toutes les routes sont d'abord filtrées rapidement par le modèle du monde + l'environnement de simulation, éliminant la majorité des directions non pertinentes ;

Seules les solutions véritablement prometteuses passeront à la phase de test en conditions réelles.

De nouveaux problèmes ont été révélés sur le dispositif réel, ce qui a entraîné un retour vers le contexte de recherche, bouclant ainsi le processus :

Le résultat final est que l'humain n'a qu'à proposer une direction d'exploration, et le système sous-jacent déclenche automatiquement des dizaines d'expériences en parallèle.

C'est aussi la clé qui a permis à Simate de grimper en tête en trois mois.

Mais ce qui est le plus surprenant, c’est qu’ils ont choisi de rendre open source cet outil interne extrêmement essentiel !

La page ressemble à cela ; les personnes intéressées peuvent la récupérer en bas de la page.

Actuellement, des chercheurs provenant d'universités de premier plan telles que Tsinghua, MIT et la Université scientifique et technologique de Hong Kong ont déjà rejoint la phase de test interne.

Fondateur Zhang Ying, ancien responsable principal des technologies d'une entreprise de conduite autonome de premier plan.

Expérience pratique approfondie en ingénierie, ayant participé à l'achèvement de trois générations de solutions de conduite autonome : avec images, sans images et end-to-end, ainsi qu'à la mise en production pendant de nombreuses années.

Selon les informations, le système de conduite autonome qu'il a développé est le plus proche du Tesla FSD en Chine.

En outre, l'équipe compte deux figures clés.

1. Seul le côté pris peut.

Professeur adjoint à la Université scientifique et technologique de Hong Kong, responsable du World Mind Lab, il étudie depuis longtemps les modèles mondiaux et l'IA physique.

2. Ji Ma Zeyu.

Jeune scientifique des années 2000, ses domaines de recherche couvrent la perception 3D, l'opération habile et le contrôle complet des robots humanoïdes.

Avant de rejoindre Simate, il était membre fondateur de Assured Robot Intelligence en Californie.

ARI a ensuite été acquise par Meta.

Les marchés financiers ont également voté avec de l'argent réel.

Fondée il y a seulement trois mois, Simate a réalisé plusieurs tours de financement, chacun de plusieurs centaines de millions de yuans.

Et tout cela, c'est parier sur la même chose —

RSI physique.

Simate a ciblé cette direction dès son jour de création et a défini trois types différents de RSI.

1. SI faible : frontières claires, boucle rapide

Mode de conduite conjointe homme-machine : les chercheurs définissent les objectifs et les contraintes ; une participation pas à pas n'est plus nécessaire pendant l'exécution normale, et les anomalies peuvent être escaladées pour traitement.

Cette montée sur RoboDojo constitue la validation technique de la première phase.

2. SI : Direction claire, mais réponse inconnue

Comment améliorer la mémoire du modèle ? Quel ratio de données faut-il utiliser pour ce type de tâche ?

La direction est déjà définie, mais il faudra plusieurs cycles d'expériences pour déterminer quelles solutions sont efficaces.

À ce stade, l’agent est chargé d’organiser le contexte, de mettre en œuvre les solutions, d’exécuter des expériences et de comparer les résultats ; le chercheur se concentre sur l’élimination des hypothèses, l’interprétation des preuves contradictoires et la prise de décisions clés.

C'est également l'une des catégories les plus utiles à ce stade.

3. Fort SI : La recherche elle-même doit être découverte

Le plus difficile, et le plus profondément lié à la nature même de l'intelligence —

Comment améliorer la capacité de généralisation du modèle sur de nouvelles tâches ?

Il n'existe plus de chemin clair pour résoudre ce type de problème. Le système doit comprendre lui-même l'objectif, identifier les véritables questions méritant d'être étudiées, et maintenir une orientation sur une longue période tout en ajustant constamment sa trajectoire.

Cela commence à impliquer ce qu'on appelle le « goût de la recherche ».

À ce stade, ce type de travail nécessite toujours la direction de chercheurs expérimentés. Les agents fournissent principalement un soutien dans la recherche de documents, les preuves, les expériences et l'exploration des voies.

Il est à noter que les SI faibles, moyens et forts mentionnés par Simate n'ont pas de niveaux hiérarchiques et peuvent coexister simultanément dans un même système de développement.

Mais surtout, c'est le principe premier de « l'évolution » lui-même.

Chaque amélioration du système rend la prochaine amélioration plus facile à réaliser.

Lorsque les données, les modèles et le déploiement réel forment une boucle fermée qui s'auto-entretient, la limite des robots ne dépend plus uniquement de la limite humaine.

Ceci est le RSI physique, actuellement la voie la plus populaire pour AGI physique.

Bien sûr, ce que Simate affiche actuellement n'est que sa forme initiale.

L'humain dans la boucle reste présent, et les chercheurs conservent toujours le jugement le plus crucial sur la direction globale du cycle.

Mais cela montre justement que la recherche automatisée n'a pas besoin d'attendre le jour où il n'y aura plus aucune intervention humaine pour commencer à générer de la valeur.

Avant l'apparition réelle d'une capacité de recherche autonome plus forte, confier progressivement les étapes coûteuses et standardisées — conception d'expériences, entraînement, évaluation et retour — à des agents permet déjà d'augmenter significativement le débit de recherche.

Les résultats de RoboDojo valident également la voie de la conduite humain-machine dans le domaine de l'IA physique —

RSI, ça a vraiment commencé.

Au fait, il y a encore une chose.

La plateforme de recherche AutoResearch est en phase de test interne et recrute activement !

1000 kcal de puissance de minage, viens jouer avec nous ~

Site officiel :

https://mate-robot.cn/

Plateforme de recherche AutoResearch :

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

Cet article provient du compte officiel WeChat « Quantum Bit » (ID : QbitAI), auteur : Jay