Les robots domestiques échouent rarement parce qu'ils ne savent pas exécuter une étape une fois. Ils échouent parce qu'un détail tourne mal, une prise glisse ou un filtre se plie, et que le robot n'a pas de bon moyen de modifier sa tentative suivante. Un nouveau preprint, A2-MEAS, est construit autour de ce problème, et son chiffre le plus convaincant vient de la préparation du café.
Le système comporte deux niveaux. Le modèle d'action, A2-WLA, est une politique vision-langage-action, qui traduit des images de caméra et des instructions en commandes motrices, complétée par une mémoire des mouvements récents et un petit modèle du monde qui prédit les caractéristiques visuelles à venir. Au-dessus, un coordinateur vision-langage appelé MetaBrain suit l'objectif de la tâche, examine les résultats inattendus et fait appel à des assistants de diagnostic pour localiser, segmenter et suivre les objets et mesurer la profondeur. Son diagnostic est converti en un code de correction appris qui regroupe l'instruction de reprise, les indices spatiaux, ce que le robot a déjà fait et une nouvelle proposition d'action. Un adaptateur utilise ce code pour orienter la trajectoire suivante de la politique. À l'entraînement, les corrections instruisent l'adaptateur ; au déploiement, de nouveaux codes modifient le comportement alors que tous les poids restent figés.
Les résultats annoncés sont solides. Sur l'ensemble public complet de 100 tâches du benchmark de simulation domestique BEHAVIOR 2026, le système complet atteint un Q-score de 0,6411 et 45,40 % de réussite sur les tâches complètes. Sur 12 tâches réelles sur table dans cinq environnements domestiques, le modèle d'action obtient en moyenne 57,92 % de réussite contre 26,67 % pour pi0.5, une politique ouverte très utilisée. Le test du café est le plus parlant : sur deux étapes de manipulation du filtre, l'adaptateur de correction fait passer l'achèvement après un échec de 14,00 % à 94,00 % et de 8,00 % à 82,00 %, par rapport à de simples nouvelles tentatives. L'infrastructure d'entraînement de l'équipe atteint par ailleurs 427,1 échantillons par seconde, environ 4,03 fois une configuration de référence de pi0.5 sur un matériel équivalent.
Ce travail s'inscrit dans un domaine qui bouge vite. Les auteurs notent que GPT-6 Astra dépasse déjà 40 politiques publiques sur un benchmark robotique, et d'autres systèmes récents comme Gemini Robotics 2.5 et RoboScript s'appuient aussi sur de grands modèles pour raisonner. Le pari d'A2-MEAS est qu'une politique entraînée compacte, complétée par un appel ponctuel à un raisonneur plus puissant, l'emporte sur chacun des deux pris isolément.
Les comparaisons phares doivent être lues avec soin. L'affirmation d'environ 2,21 fois le score du vainqueur de BEHAVIOR 2025 oppose un sous-ensemble public de 2026 à un résultat de 2025, avec des éditions du benchmark et des configurations d'entraînement différentes, comme le reconnaît le résumé lui-même. Les tests sur robot réel couvrent 12 tâches dans cinq environnements, un petit échantillon au regard de la diversité des vrais foyers. Le code et les modèles sont promis mais pas encore publiés, et le preprint n'a pas été relu par des pairs.