Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

SuperMimic

El código de UC Berkeley para entrenar un seguidor de movimiento humanoide con un único modelo del mundo diferenciable, en una GPU y en horas.

Reseña de ReviewRamble editors · Actualizado

Ver en GitHub Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.8/5

SuperMimic convierte el seguimiento de movimiento humanoide de un trabajo de clúster en una tarde con una GPU, pero hoy es código de investigación que tienes que reentrenar tú.

¿Qué es SuperMimic?

SuperMimic es el código de un artículo de UC Berkeley, aceptado como presentación oral en CoRL 2026, firmado por Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel y Koushil Sreenath. Entrena una sola política que hace que un robot humanoide copie movimiento humano de cuerpo entero, desde caminar hasta volteretas y giros laterales. En lugar de aplicar aprendizaje por refuerzo directamente en el simulador, ajusta un único modelo del mundo aprendido a transiciones registradas en MuJoCo Warp y entrena la política a través de ese modelo con gradientes analíticos sobre despliegues imaginados cortos de 32 pasos.

El repositorio contiene scripts en Python de entrenamiento y reproducción para dos identificadores de tarea en el Unitree G1, uno con coordenadas generalizadas y otro con coordenadas máximas. Está construido sobre mjlab y necesita la bifurcación mjlab_research de HybridRobotics clonada al lado. La página del proyecto incluye una demo en el navegador que ejecuta la política sobre el movimiento que elijas.

El repositorio se creó el 10 de noviembre de 2026, tiene licencia Apache 2.0 y unas 1.893 estrellas y 149 bifurcaciones en GitHub. No tiene versiones etiquetadas; el último commit llegó el 19 de noviembre de 2026.

¿Merece la pena SuperMimic?

La afirmación principal trata del cómputo, y la página del proyecto la respalda con sus propias cuentas. En un banco de pruebas de 129.514 movimientos, SuperMimic supera el retorno normalizado del checkpoint publicado de SONIC (0,90) tras 3 horas en una NVIDIA H100. SONIC se entrenó durante 7 días en 128 GPU NVIDIA L40, unas 21.000 horas de GPU, así que la diferencia supera las 1000 veces en horas de GPU. SuperMimic además se entrenó con menos datos: 264,56 horas de BONES-SEED, el subconjunto público de las 611 horas de SONIC.

Los recuentos de fallos dicen más. El checkpoint de SONIC falla 179 movimientos, entre ellos las 44 volteretas y los 22 giros laterales. Tras 3 horas, SuperMimic falla 25, entre ellos 1 voltereta, 2 giros laterales y 8 movimientos de tumbarse o levantarse; tras 9,8 horas en dos GPU, los autores no registran ninguno. La página aclara que los movimientos del banco de pruebas son movimientos de entrenamiento para ambos métodos, de modo que estas cifras miden cuánto de la biblioteca cubre una política, no cómo maneja un movimiento que nunca ha visto.

El método no necesita un simulador diferenciable. El modelo del mundo aprende de un simulador de contacto corriente, se actualiza en cada iteración junto a la política, y un crítico estima el retorno más allá del horizonte imaginado de 32 pasos. Los autores dicen que una sola política funciona sin ajustes en un Unitree G1 físico en todos los vídeos de robot real que muestran, sin ajuste por movimiento. Eso se apoya en vídeos y en el artículo; conviene revisar la sección de robot real del artículo antes de planificar tiempo de hardware en torno a ello.

La pega: el repositorio solo sirve para entrenar. Una incidencia abierta señala que no hay configuraciones para las ejecuciones del artículo, ni ruta de descarga de datos, ni checkpoint publicado, y otra informa de que el comando de entrenamiento del README falla para cuentas externas porque los datos de movimiento están en un registro de Weights & Biases al que no pueden acceder. La reproducción también lee ejecuciones de W&B. El proyecto tiene diez días, depende de una bifurcación de investigación de mjlab con 47 estrellas y exige Python 3.13.

Nuestra opinión: para un laboratorio de humanoides, SuperMimic es el resultado que hay que reproducir este trimestre, porque lleva el seguimiento de cuerpo entero de una partida de presupuesto a una sola estación de trabajo. Para quien quiera una política lista para cargar en un G1 mañana, es un artículo para leer mientras el código se pone al día.

Dónde se gana su sitio

  • Un laboratorio universitario de humanoides con una o dos H100

    Entrenar un seguidor de movimiento general para un Unitree G1 sin alquilar un clúster

    Clona supermimic y mjlab_research uno al lado del otro, prepara tu propio conjunto de movimientos hasta que la ruta de datos sea pública y entrena la tarea SuperMimic-GenCoord-G1. La ejecución del artículo superó su referencia en 3 horas en una H100; reserva tiempo extra para reconstruir las configuraciones del artículo.

  • Una startup de robótica que compara el entrenamiento con modelo del mundo frente a PPO

    Decidir si el entrenamiento basado en modelos reduce su factura de GPU

    Ejecuta las dos variantes de coordenadas sobre una parte de tus propios movimientos y compara las horas de GPU hasta un retorno objetivo. Los autores informan de unas 64 veces menos pasos imaginados que PPO sobre el mismo modelo del mundo para alcanzar el mejor retorno de entrenamiento de PPO.

Antes de decidirte

Puesta en marcha
Instala uv, clona supermimic y HybridRobotics/mjlab_research como carpetas hermanas y ejecuta el script de entrenamiento con un identificador de tarea en la GPU elegida. Requiere Python 3.13.
Integraciones
Construido sobre mjlab y MuJoCo Warp; registra y carga ejecuciones mediante Weights & Biases; solo incluye tareas para Unitree G1.
Datos y privacidad
Se ejecuta en tus propias máquinas. Los movimientos de entrenamiento proceden de BONES-SEED; el artefacto de movimiento del README está en un registro de W&B al que las cuentas externas dicen no poder acceder.
Coste a escala
Código gratuito. El coste es tiempo de GPU: 3 horas de GPU en una H100 para superar la referencia y 19,6 horas de GPU (9,8 horas en dos GPU) para cero movimientos fallidos en el artículo.
Límites
Sin checkpoints, sin herramienta de evaluación y sin versiones etiquetadas; solo G1; la robustez en robot real se muestra en vídeos y conviene comprobarla en el artículo.

Lo bueno

  • Supera una referencia de 128 GPU tras 3 horas en una H100
  • 25 movimientos fallidos de 129.514 frente a 179, y ninguno tras 9,8 horas en dos GPU
  • Resuelve volteretas y giros laterales que el checkpoint de SONIC falla
  • Apache 2.0, con una demo en el navegador de la política entrenada

Lo malo

  • Sin checkpoint publicado ni configuraciones de las ejecuciones del artículo
  • La ruta de datos de movimiento del README falla para cuentas externas
  • Los movimientos del banco de pruebas son de entrenamiento: mide cobertura, no generalización
  • Depende de una bifurcación joven de mjlab y de Weights & Biases

Ideal para

Investigadores de robótica con una GPU de NVIDIA que quieren reproducir o ampliar el seguimiento de cuerpo entero de humanoides sin un clúster de GPU.

Alternativas a SuperMimic

SuperMimic: preguntas frecuentes

¿Merece la pena SuperMimic?
SuperMimic convierte el seguimiento de movimiento humanoide de un trabajo de clúster en una tarde con una GPU, pero hoy es código de investigación que tienes que reentrenar tú. Le damos un 3.8 sobre 5.
¿Cuánto cuesta SuperMimic?
Gratuito y de código abierto con Apache 2.0. Necesitas tu propia GPU de NVIDIA; la ejecución principal del artículo usó una H100 durante 3 horas.
¿Qué inconvenientes tiene SuperMimic?
Sin checkpoint publicado ni configuraciones de las ejecuciones del artículo; la ruta de datos de movimiento del README falla para cuentas externas; los movimientos del banco de pruebas son de entrenamiento: mide cobertura, no generalización; depende de una bifurcación joven de mjlab y de Weights & Biases.
¿Para quién es SuperMimic?
Investigadores de robótica con una GPU de NVIDIA que quieren reproducir o ampliar el seguimiento de cuerpo entero de humanoides sin un clúster de GPU.
¿Cuánto cuesta SuperMimic para un equipo o en producción?
Código gratuito. El coste es tiempo de GPU: 3 horas de GPU en una H100 para superar la referencia y 19,6 horas de GPU (9,8 horas en dos GPU) para cero movimientos fallidos en el artículo.
¿Es SuperMimic seguro para los datos de la empresa?
Se ejecuta en tus propias máquinas. Los movimientos de entrenamiento proceden de BONES-SEED; el artefacto de movimiento del README está en un registro de W&B al que las cuentas externas dicen no poder acceder.
¿Cuáles son las mejores alternativas a SuperMimic?
Las alternativas más cercanas que hemos analizado son Eden.

Respuestas comprobadas el 20 nov 2026.