Los robots domésticos rara vez fallan porque no sepan hacer un paso una vez. Fallan porque algo sale ligeramente mal, un agarre resbala o un filtro se dobla, y el robot no tiene una buena manera de cambiar su siguiente intento. Un nuevo preprint, A2-MEAS, se construye en torno a ese problema, y su cifra más convincente procede de preparar café.
El sistema tiene dos capas. El modelo de acción, A2-WLA, es una política de visión, lenguaje y acción, es decir, convierte imágenes de cámara e instrucciones en órdenes motoras, ampliada con una memoria del movimiento reciente y un pequeño modelo del mundo que predice las próximas características visuales. Por encima, un coordinador de visión y lenguaje llamado MetaBrain sigue el objetivo de la tarea, examina los resultados inesperados y recurre a ayudantes de diagnóstico para localizar objetos, segmentarlos, seguirlos y medir profundidad. Su diagnóstico se convierte en un código de corrección aprendido que reúne la instrucción de recuperación, las pruebas espaciales, lo que el robot ya ha hecho y una nueva propuesta de acción. Un adaptador usa ese código para dirigir la siguiente trayectoria de la política. Durante el entrenamiento las correcciones enseñan al adaptador; en el despliegue, códigos nuevos cambian el comportamiento mientras todos los pesos siguen fijos.
Los resultados declarados son sólidos. En el conjunto público completo de 100 tareas del benchmark de simulación doméstica BEHAVIOR 2026, el sistema completo alcanzó un Q-score de 0,6411 y un 45,40% de éxito en tareas completas. En 12 tareas reales sobre mesa en cinco entornos domésticos, el modelo de acción promedió un 57,92% de éxito frente al 26,67% de pi0.5, una política abierta muy usada. La prueba del café es la reveladora: en dos pasos de manipulación del filtro, el adaptador de corrección elevó la finalización tras un fallo del 14,00% al 94,00% y del 8,00% al 82,00%, comparado con simples reintentos. La infraestructura de entrenamiento del equipo alcanzó además 427,1 muestras por segundo, unas 4,03 veces una configuración de referencia de pi0.5 con hardware equivalente.
El trabajo se sitúa en un campo que avanza deprisa. Los autores señalan que GPT-6 Astra ya supera a 40 políticas públicas en un benchmark de robótica, y otros sistemas recientes como Gemini Robotics 2.5 y RoboScript también se apoyan en modelos grandes para razonar. La apuesta de A2-MEAS es que una política entrenada y compacta, más una consulta ocasional a un razonador más potente, supera a cualquiera de los dos por separado.
Conviene leer con cuidado las comparaciones del titular. La afirmación de unas 2,21 veces la puntuación del ganador de BEHAVIOR 2025 enfrenta un subconjunto público de 2026 con un resultado de 2025, con ediciones del benchmark y configuraciones de entrenamiento distintas, como reconoce el propio resumen. Las pruebas con robot real cubren 12 tareas en cinco entornos, una muestra pequeña frente a la variedad de los hogares reales. El código y los modelos se prometen, pero aún no se han publicado, y el preprint no ha pasado revisión por pares.