Simate-beta estreia como o melhor modelo de IA física no RoboDojo

A I estuda a I, e desta vez tem a resposta do mundo físico.

Uma empresa com apenas três meses de existência apresentou seu primeiro sistema físico universal, o Simate-beta: demonstrando memória, tarefas de longo prazo, operações precisas e capacidade de adaptação a tarefas, e, segundo a empresa, alcançou o topo do RoboDojo.

A classificação certamente não representa todas as capacidades do modelo, mas oferece uma perspectiva sobre a velocidade e a força do desenvolvimento.

Segundo a equipe, o modelo base avaliado não foi otimizado especificamente para esta lista.

Após três meses de existência, o modelo inicial apresentou esse desempenho, o que merece atenção.

A equipe se chama Simate (Silicon Mate).

Também tem um histórico significativo. Segundo a empresa, a equipe principal levou a capacidade do modelo de condução autônoma end-to-end de uma única etapa ao nível do Tesla FSD e concluiu a implementação em escala comercial.

Em todo o mundo, pouquíssimas equipes ultrapassaram esse limiar; ainda menos comuns são aquelas que continuam avançando com essa acumulação para desenvolver a IA física geral.

No entanto, o mais interessante desta vez é o método de desenvolvimento que eles estabeleceram desde o primeiro dia:

IA para IA Física, permitindo que a IA participe do estudo e da iteração da própria inteligência física.

A empresa organiza modelos, dados, capacidade de processamento e fluxos de experimentação em torno desta abordagem. O Simate-beta é exatamente o primeiro produto prático dessa plataforma de desenvolvimento nativa de IA.

Além disso, as ferramentas de pesquisa já estão sendo utilizadas por pesquisadores externos.

Segundo a empresa, pesquisadores de instituições como MIT, Caltech, Tsinghua e Peking University já participaram da pré-visualização da plataforma AutoResearch. Sua infraestrutura Sinfra cobre treinamento, simulação e inferência; os recursos disponíveis específicos estão sujeitos à confirmação do pedido.

Ao mesmo tempo, a Simate já concluiu várias rodadas de financiamento no valor de centenas de milhões de yuans.

Três meses, com modelos, plataforma de pesquisa, testes externos e financiamento avançando simultaneamente. Essa velocidade realmente faz as pessoas quererem ver o próximo passo.

A equipe também forneceu uma prévia: já foi desenvolvida uma abordagem técnica para generalização zero-shot em tarefas complexas, com planos de lançar resultados parciais até o final deste ano.

Na visão deles, o GPT-6 começar a participar de operações no mundo físico é um avanço esperado, e a ruptura do Physical AI pode ocorrer mais rapidamente do que o público imagina. Eles desejam superar a dependência de adaptação por tarefa e pós-treinamento, impulsionando o Physical AI a alcançar seu próprio "momento GPT-3".

Três trabalhos de pesquisa, incluindo modelagem e pesquisa em automação, também serão divulgados progressivamente por meio de artigos e relatórios técnicos, com planos de abrir o código em fases.

A velocidade deste desenvolvimento e sua capacidade de ser mantida tornam-se os aspectos mais importantes a serem observados pelo Simate a seguir.

Então, o que o primeiro modelo realmente conseguiu? E como a IA participou da pesquisa?

O que o Simate busca finalmente aproximar é a operação de IA física geral em cenários de zero amostras (Zero-Shot) e poucas amostras (Few-Shot).

Em um novo e desconhecido ambiente, o sistema não deve coletar um novo conjunto de dados, treinar um novo modelo e reajustar a engenharia toda vez que uma nova tarefa for adicionada.

Este é exatamente o setor mais quente e desafiador da IA física atualmente — uma disputa acirrada, com cada um mostrando suas habilidades.

A solução atual proposta por Simate é chamada de: Sistema Rápido de Física Universal.

Ou seja, o Sistema Um.

Vamos usar um exemplo humano primeiro:

Diante de instruções complexas como “ajude-me a arrumar a mesa”, precisamos do “sistema dois” para compreender a intenção e decompor os passos;

Mas quando a mão já se estendeu em direção ao copo, essas reações de milissegundos — se deve ajustar alguns milímetros para a esquerda ou desviar um pouco para a direita — não podem depender de cada passo de um pensamento profundo.

The same applies to physical AI.

Um "sistema lento" geral é responsável pelo planejamento de alto nível e raciocínio complexo, enquanto um "sistema rápido" suficientemente poderoso é responsável por perceber em tempo real o mundo físico em constante mudança e emitir ações extremamente rápidas.

Simate escolheu exatamente o último—

Aumente o número de parâmetros do sistema rápido, explore a emergência da capacidade de generalização zero-shot e desafie os limites de escala e desempenho dos modelos viáveis para implantação na borda.

A system of physical fasts general.

No entanto, ser grande e rápido ao mesmo tempo é uma difícil compensação.

Simate escolheu começar por duas coisas:

1. Percepção física 4D

Para compreender o mundo físico, é necessário capturar simultaneamente as mudanças dinâmicas na estrutura espacial e na dimensão temporal, permitindo que a representação física realmente sirva à ação.

2. Memória Sequencial Hierárquica

Tarefas de longo prazo exigem lembrar o que aconteceu anteriormente, operações contínuas precisam rastrear o estado, e reações imediatas não podem ser lentas por causa de grandes volumes de histórico.

Percepção física 4D e memória temporal hierárquica alinham-se com a forma como o sistema rápido humano processa o mundo contínuo.

Esta abordagem também se baseia na experiência da equipe em modelos visuais em larga escala, modelagem de séries temporais, inferência em tempo real e implantação em produção. A arquitetura específica e o tamanho do modelo serão divulgados em relatórios técnicos futuros.

O estado final desejado é: o modelo compreende claramente o que está acontecendo no momento, lembra do que acabou de acontecer e consegue decidir oportunamente qual será o próximo passo.

Colaborar com a capacidade de raciocínio geral representada por modelos avançados como o GPT-6, avançando na execução zero-shot de tarefas complexas.

A partir da demonstração real do Simate-beta apresentada atualmente pela empresa, os testes concentram-se principalmente em tarefas guiadas por demonstração, adaptação, memória, execução complexa de longo prazo e operações refinadas.

De acordo com a classificação RoboDojo fornecida pela empresa e atualizada em 23 de setembro de 2026, simate-beta está em primeiro lugar com uma pontuação média de 33,95, correspondendo a um SR de 27,96%. Este resultado é parte da avaliação da classificação; o desempenho em máquinas reais será exibido separadamente.

Por trás deste modelo de resposta, há outro sistema igualmente digno de ser explorado.

Nos últimos anos, as pessoas se acostumaram cada vez mais com código escrito por IA.

Mas na verdade, na pesquisa de IA, escrever código é apenas uma pequena parte.

Muitas vezes, a eficiência de iteração é a chave para a vitória. Quem conseguir validar mais hipóteses de pesquisa em um determinado período de tempo conseguirá sair na frente.

Um exemplo muito simples.

As tarefas de longo prazo dos robôs sempre travam em algum estágio, e as razões são, basicamente, quatro: distribuição de dados distorcida, gargalo na estrutura do modelo, desequilíbrio na proporção das trajetórias ou falha na estratégia de treinamento.

Por trás de cada direção, há dezenas ou até centenas de experimentos.

Se depender apenas de pesquisadores alterando manualmente configurações, iniciando tarefas, monitorando treinamentos, executando avaliações e depois organizando os resultados, o feijão já teria esfriado...

Então a Simate criou o AutoResearch para acelerar esse processo—

Pesquisador humano: propor hipóteses, definir objetivos e estabelecer restrições.

Motor AutoResearch: automatiza automaticamente todo o fluxo de divisão, execução e feedback dos experimentos restantes.

O resultado final também foi revelado: eles conquistaram o primeiro lugar no RoboDojo com esse método.

Mais importante ainda é a velocidade.

Simate levou apenas três meses desde sua fundação até chegar ao topo do RoboDojo.

Isso é absurdo...

Então a pergunta é:

Como a IA deve "estudar a IA"?

Claramente, apenas inserir um agente não é suficiente.

O verdadeiro desenvolvimento de robôs penetra profundamente no código do modelo, na tubulação de dados, no cluster de treinamento, no ambiente de avaliação, no feedback de máquinas reais e nos registros de experimentos dos últimos meses ou até anos.

No final das contas, ainda é um problema de "contexto". O agente precisa de uma superinterface capaz de coordenar tudo.

Para isso, a Simate desenvolveu uma arquitetura de três camadas: SiPAI + AutoResearch + Infraestrutura nativa de IA.

SiPAI: Tornar a arquitetura do modelo "pesquisável por IA"

Este é um framework de modelos plugável originalmente voltado para "pesquisa automatizada".

Em resumo, o modelo do robô é estruturado de forma que a IA possa entender facilmente — os limites dos módulos, as interfaces do sistema, os parâmetros de configuração e os processos de validação são todos definidos de maneira extremamente clara.

Só assim, após receber o tema de pesquisa, o agente poderá saber exatamente: qual módulo deve ser alterado? Quais áreas serão afetadas pela alteração? E como verificar finalmente?

Atualmente, o Simate já concluiu a construção desta infraestrutura e se conectou com sucesso a várias arquiteturas principais, como modelos mundiais, modelos de ações mundiais, VLA e VLM.

Tanto pesquisadores humanos quanto agentes podem combinar livremente componentes, ajustar implementações locais e utilizar o mesmo pipeline de treinamento e avaliação.

AutoResearch: fornece "contexto de pesquisa" atualizado em tempo real

Se o SiPAI fornece um manual estático, o AutoResearch resolve a disparidade de informações dinâmicas:

A pesquisa avançou até onde? Quais armadilhas foram enfrentadas anteriormente? Qual é a evidência mais recente?

Ela integra todos os elementos — artigos de ponta externos, materiais de estudo internos da equipe, código do modelo, proporções de dados, logs de experimentos históricos e feedbacks de avaliação mais recentes — em um único Contexto de pesquisa dinâmico.

Este Context será atualizado em tempo real, seja com a publicação de um novo artigo, a submissão de uma nova versão do código interno ou os dados experimentais mais recentes que refutem hipóteses anteriores.

Assim, cada sugestão de pesquisa apresentada pelo Agente poderá ser precisamente vinculada a um branch de código específico e à versão do experimento:

O mais interessante é a profunda interconexão entre a "experiência humana" e os "experimentos de Agentes":

Pesquisadores humanos podem inserir restrições e direções de ajuste a qualquer momento; assim que um experimento validar componentes eficazes, eles são imediatamente incorporados como novo ponto de partida para experimentos subsequentes; metodologias desenvolvidas em um ramo também podem ser reutilizadas sem interrupção pelos Agentes seguintes.

A pesquisa se tornou verdadeiramente um meio de produção para a próxima rodada de pesquisa.

Infra nativa de IA: Faça a roda de desenvolvimento 24/7 girar

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

A Simate integra todo o fluxo de treinamento, inferência e avaliação em sua infraestrutura própria, utilizando orquestração de tarefas e escalonamento de recursos otimizados para avançar simultaneamente dezenas de linhas de pesquisa independentes.

Para evitar o desperdício de poder de computação, a Simate adota um mecanismo de filtragem de alta frequência: todas as rotas passam primeiro por uma primeira filtragem rápida através do “modelo do mundo + ambiente de simulação”, eliminando a maioria absoluta das direções inválidas;

Apenas projetos realmente com potencial passarão para testes reais.

Novos problemas foram expostos no dispositivo real, retornando novamente ao contexto de pesquisa, fechando o ciclo:

O resultado final é que os humanos apenas precisam propor uma direção de exploração, e o sistema subjacente pode automaticamente executar dezenas de experimentos em paralelo.

Este também é o segredo chave que permitiu ao Simate alcançar o topo em três meses.

No entanto, o mais surpreendente é que eles escolheram abrir diretamente o código-fonte desse conjunto de ferramentas internas de produtividade extremamente essenciais!

A página fica assim; os interessados podem pegar no final do texto.

Atualmente, pesquisadores de universidades de ponta, como Tsinghua, MIT e HKUST, já entraram na fase de teste interno.

Fundador Zhang Ying, ex-responsável principal pela tecnologia de uma empresa líder em condução autônoma.

Possui extensa experiência prática em engenharia, tendo participado do desenvolvimento de três gerações de soluções de condução autônoma — com e sem imagens, e end-to-end — e também atuado por muitos anos em produção em massa.

Segundo informações, o sistema de condução autônoma que impulsionou é o mais próximo do Tesla FSD no país.

Além disso, a equipe também conta com duas figuras-chave.

1. Apenas a parte ocupada.

Professor Assistente da Universidade de Ciência e Tecnologia de Hong Kong e responsável pelo World Mind Lab, pesquisador há muito tempo em modelos mundiais e IA física.

2. Ji Ma Zeyu.

Jovem cientista nascido nos anos 2000, com pesquisa abrangendo percepção 3D, operação habilidosa e controle corporal completo de robôs humanóides.

Antes de se juntar ao Simate, ele foi membro fundador da Assured Robot Intelligence, na Silicon Valley.

ARI foi posteriormente adquirida pela Meta.

Os mercados de capital também já votaram com dinheiro real.

Com apenas três meses de existência, a Simate concluiu várias rodadas de financiamento, cada uma no valor de centenas de milhões de yuans.

E tudo isso é uma aposta na mesma coisa—

RSI físico.

Simate visou essa direção desde o primeiro dia de sua criação e definiu três tipos diferentes de RSI.

1. SI fraco: fronteiras claras, fechamento rápido

Modo de condução conjunta homem-máquina: o pesquisador define metas e restrições; durante a execução normal, não é mais necessário o envolvimento passo a passo do pesquisador, e anomalias podem ser escalonadas para tratamento.

Este topo do RoboDojo é a validação da engenharia da primeira fase.

2. SI médio: direção clara, mas resposta desconhecida

Como melhorar a memória do modelo? Qual deve ser a proporção de dados para esse tipo de tarefa?

A direção já está definida, mas qual solução é eficaz ainda precisa ser descoberta por meio de múltiplas iterações.

Neste momento, o agente é responsável por organizar o contexto, implementar soluções, executar experimentos e comparar resultados; os pesquisadores são responsáveis por filtrar hipóteses, explicar evidências conflitantes e tomar decisões críticas.

Este é, na verdade, o tipo com maior valor prático neste momento.

3. Strong SI: The research itself needs to be discovered

O mais difícil, e também o que mais toca a essência da inteligência —

How to improve a model's generalization ability on completely new tasks?

Esse tipo de problema já não possui um caminho claro para solução. O sistema precisa compreender sozinho o objetivo, identificar as questões verdadeiramente dignas de pesquisa e manter a direção ao longo de um longo período, ajustando constantemente o rumo.

Isso já começa a envolver o chamado "gosto em pesquisa".

Nesta fase, esse tipo de trabalho ainda precisa ser liderado por pesquisadores experientes. O agente fornece suporte principalmente na busca de literatura, evidências, experimentos e exploração de rotas.

É importante notar que o Simate afirma que os SI fracos, médios e fortes não têm hierarquia e podem coexistir simultaneamente no mesmo sistema de desenvolvimento.

Mas o próprio primeiro princípio da “evolução” é ainda mais importante.

Cada autoaperfeiçoamento do sistema torna o próximo aperfeiçoamento mais fácil de ocorrer.

Quando os dados, os modelos e a implementação real formam um ciclo fechado que gira por conta própria, o limite dos robôs já não depende mais apenas do limite humano.

Este é o Physical RSI, atualmente a rota candidata mais popular para o AGI físico.

Claro, o que o Simate está mostrando agora é apenas uma forma inicial.

O ser humano ainda está no loop, e os pesquisadores ainda detêm a avaliação mais crítica de direção em todo o ciclo.

Mas isso justamente mostra que a pesquisa automatizada não precisa esperar até o dia em que não haja mais participação humana para começar a gerar valor.

Antes que uma capacidade real de pesquisa autônoma mais avançada surja, já é possível aumentar significativamente o rendimento da pesquisa ao transferir gradualmente para Agentes as etapas de alto custo e facilmente padronizadas, como design de experimentos, treinamento, avaliação e feedback.

O boletim do RoboDojo também valida a viabilidade do caminho da "cooperação humano-máquina" no campo da IA física—

RSI realmente começou.

Ah, e mais uma coisa.

A plataforma de pesquisa AutoResearch já iniciou o teste interno e está atualmente recrutando ativamente!

Mil kcal de poder de mineração, esperamos você para brincar~

Site oficial:

https://mate-robot.cn/

Plataforma de Pesquisa AutoResearch:

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

Este artigo é do canal oficial do WeChat "Quantum Bit" (ID: QbitAI), autor: Jay