Un brazo robótico puede entrenar miles de horas para atornillar y perder gran parte de esa habilidad al pasar a otro brazo. El equipo Qwen de Alibaba apunta justo a ese coste.
Un lenguaje común de acción
RobotManip comprime acciones de distintos robots en un vector estándar de 80 dimensiones y usa interruptores para decidir cuáles aplican. Describir el movimiento como desplazamiento relativo desde la cámara crea un idioma común entre brazos.
De ahí sale la cifra clave: la transferencia entre configuraciones sube del 7,5% previo a 23,9%. También mejoran pruebas no vistas, incluidas LIBERO-Plus 91,4%, RoboTwin-C2R hard 69,4% y EBench 45,6%.
Tres modelos, no uno
RobotNav cubre seguir instrucciones, navegar a objetivos, buscar objetos, tracking y conducción autónoma. RobotWorld usa Qwen2.5-VL congelado más un diffusion Transformer de 20B para imaginar frames futuros antes de actuar.
La historia real está en los datos
La parte más práctica puede ser la limpieza de datos. Un subset habría descartado 81% de segmentos por saltos de acción, errores temporales y outliers. Si llega a producción, el valor no es una demo más lista, sino skills que pueden cambiar de cuerpo.
Fuentes: MarkTechPost, TechNode, CocoLoop; se verificaron los tres modelos robóticos Qwen, el 23,9% de transferencia, cifras de benchmark, 38.100 horas de datos de manipulación y el estado open source de RobotManip y RobotNav.