Liber-0, un modelo de acción del mundo (world action model) de la startup pekinesa LiberAI, completó con éxito el 36,0 % de los intentos en una evaluación de 60 tareas, sin demostraciones de robot recopiladas para esas tareas. El modelo fue preentrenado con más de 2,2 millones de horas de experiencia humana. LiberAI realizó 600 pruebas en total.
Las 60 tareas fueron propuestas por GPT-6 y son independientes de los benchmarks internos de escalado de LiberAI. Se dividen en 20 tareas de pick-and-place (recoger y colocar), 20 tareas de manipulación que no son de pick-and-place y 20 tareas más difíciles, también ajenas al pick-and-place y de largo horizonte. Entre los ejemplos figuran meter un bolígrafo en un estuche, empujar un cajón hasta cerrarlo y una secuencia en la que el bolígrafo va a una bolsita y la bolsita, a un cajón.
Resultados por tipo de tarea
El éxito disminuyó a medida que las tareas se volvían más complejas. Liber-0 alcanzó un 63,5 % en pick-and-place, un 34,0 % en el resto de la manipulación y un 10,5 % en el grupo más difícil, el de tareas ajenas al pick-and-place y de largo horizonte.
LiberAI define el zero-shot de forma restrictiva: el checkpoint evaluado no se entrenó con demostraciones de robot recopiladas específicamente para las tareas objetivo. Aun así, su preentrenamiento sí incluyó datos de robots.
En los benchmarks internos de LiberAI, el checkpoint preentrenado obtuvo 81,4 en pick-and-place y 72,3 en tareas que no son de pick-and-place, medidos como puntuaciones de progreso. El posentrenamiento con datos de robot sumó 2,2 y 1,5 puntos, hasta 83,6 y 73,8. LiberAI interpreta esta pequeña mejora como señal de que el preentrenamiento ya captura la mayor parte de la capacidad que requieren esas tareas.
Cómo la experiencia humana se convierte en acción robótica
El vídeo de personas no se traduce de forma directa en comandos para robots. Las cámaras están en posiciones distintas, las poses de la mano estimadas a partir de vídeo son ruidosas y el cuerpo humano se mueve de manera diferente al de un robot. LiberAI afirma que Liber-0 aborda este problema de tres maneras.
La primera es LiberSense Glove, el sistema de captura de datos de la empresa, que registra directamente los movimientos de la mano y vincula el vídeo con el movimiento que lo origina. La segunda es una plataforma robótica de LiberAI cuyas vistas de cámara y movimientos de mano, muñeca y cintura están diseñados para parecerse más a los de una persona. La tercera es una Representación Unificada de la Corporeidad (Unified Embodiment Representation), que aporta al modelo información sobre la forma del cuerpo y el movimiento de las articulaciones para que pueda adaptar las acciones al cuerpo que las ejecuta.
Liber-0 predice conjuntamente los fotogramas de vídeo futuros y las acciones. Esto le permite entrenarse con vídeo corriente sin etiquetas de acción, junto con grabaciones de guante y de robot que incluyen movimiento medido.
Datos del guante y presupuesto de datos de robot
LiberAI realizó dos experimentos controlados, independientes de la batería de 60 tareas. En el primero, las políticas se entrenaron con demostraciones de robot que abarcaban solo pick-and-place, mientras que las demostraciones con guante incluían plegar, presionar y abrir. Las puntuaciones de progreso iban de 0 a 100 y reconocían la finalización parcial, sobre cuatro tareas de pick-and-place y seis de otro tipo.
Solo con datos de robot, la puntuación de progreso en tareas que no son de pick-and-place fue de 2,2. Al añadir grabaciones con guante de esas acciones subió a 47,5. Al incluir también datos de pick-and-place con guante llegó a 54,6, cerca del 56,3 de una política entrenada con demostraciones de robot de todas las acciones.
El segundo experimento evaluó si los datos del guante pueden sustituir a las demostraciones de robot. En una evaluación de ocho tareas con la plataforma robótica de LiberAI, los conjuntos completos de robot y de guante contenían el mismo número de demostraciones. Una política entrenada con el 25 % del conjunto de robot más todo el conjunto de guante obtuvo 75,6. Una política entrenada con todo el conjunto de robot obtuvo 72,8. Es decir, un rendimiento comparable con un 75 % menos de demostraciones de robot, aunque la política mixta siguió usando todo el conjunto de guante.
LiberAI también creó una simulación interactiva en la que los usuarios suben sus propios objetos y ven cómo Liber-0 los manipula. Esa versión se posentrenó con 100 horas de datos de teleoperación simulada y no recibió ningún entrenamiento específico con los objetos.
Songming Liu, fundador y CEO de LiberAI, explicó que el vídeo humano muestra lo que hacen las personas, pero no con exactitud cómo se mueven sus manos ni cómo ese movimiento encaja en un cuerpo distinto. Según él, anclar la experiencia en movimiento medido y alinearla con el cuerpo del robot es lo que la convierte en capacidad robótica.
LiberAI enumera sus propias limitaciones. El guante registra poses y trayectorias de la mano, pero no el contacto ni la fuerza, factores clave en la inserción, la sujeción y el manejo de materiales blandos. La detección táctil y de fuerza, así como la recopilación de datos en una gama más amplia de hogares, quedan como trabajo futuro.
Lo que los resultados demuestran y lo que no
La evidencia más sólida de este lanzamiento es el resultado sobre el número de demostraciones. Los datos de robots teleoperados son lentos y costosos de recopilar, y hay que repetirlos para cada tarea y plataforma nuevas. Un guante puede usarse sin que haya un robot presente. Si la reducción del 75 % se mantiene más allá de ocho tareas, el coste de construir un conjunto de datos de manipulación se desplazaría hacia una recopilación más barata del lado humano. El resultado procede de la plataforma de una sola empresa y de un único conjunto de tareas, por lo que es una señal y no una cifra definitiva.
El 36,0 % de los titulares exige una lectura cuidadosa. El promedio esconde un gradiente muy pronunciado: el grupo más difícil, de tareas de varios pasos, tuvo éxito el 10,5 % de las veces. Un modelo que fracasa en aproximadamente nueve de cada diez intentos de largo horizonte está lejos de poder desplegarse en ese tipo de trabajos. El 63,5 % en pick-and-place es una guía más útil de dónde funciona hoy el enfoque, y esa familia de tareas es también la que ya cubren la mayoría de los conjuntos de datos de robots existentes.
Comparar con otros sistemas es difícil con la evidencia disponible. Los resultados los comunica la propia LiberAI y la batería de tareas fue generada por un modelo de lenguaje, no tomada de un benchmark compartido. La fuente no ofrece resultados de modelos competidores en las mismas 60 tareas. Las tasas de éxito, usadas en la batería zero-shot, y las puntuaciones de progreso, usadas en los experimentos controlados, son métricas distintas y no deben compararse entre sí.
La etiqueta zero-shot también tiene matices. El preentrenamiento incluyó datos de robots, de modo que la afirmación se refiere a la ausencia de demostraciones específicas de cada tarea, no a la ausencia de experiencia robótica. Las cifras publicadas no aíslan cuánto de ese 36,0 % se debe al preentrenamiento con experiencia humana y cuánto a esos datos de robot.
Tres pruebas resolverían las incógnitas pendientes: una replicación independiente sobre un conjunto de tareas compartido, resultados en tareas con mucho contacto una vez que se incorpore la detección de fuerza, y pruebas de que la ventaja del guante se mantiene en cuerpos robóticos distintos de los de LiberAI. El diseño del world action model, que aprende a la vez de vídeo sin etiquetar y de movimiento medido, resulta plausible. Su valor dependerá ahora de que esas pruebas posteriores lo confirmen.
