Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Notícias e pesquisa de IA

Pesquisa ·

Grid Robotics propõe definição e testes para robôs comandados por agentes como o GPT-6 Astra

Este artigo de posição da Grid Robotics argumenta que, desde o GPT-6 Astra, a robótica está passando de uma política treinada por tarefa para um modelo de fundação com um harness que planeja, chama habilidades e ferramentas e confere resultados. Chama essa camada de decisão de Embodied System 2, propõe um framework de avaliação para o modelo e para o sistema em malha fechada e traça um roteiro rumo à autonomia contínua.

Até pouco tempo atrás, fazer um robô executar uma tarefa nova significava treinar uma nova política para ele. Um artigo de posição da equipe da Grid Robotics argumenta que o GPT-6 Astra mudou isso: semanas após o lançamento, modelos gerais rodando num harness de agente igualaram ou superaram políticas específicas em muitos benchmarks de robótica, sem treinamento extra. Os autores querem que a área chegue a um acordo sobre o que é esse novo tipo de sistema e como testá-lo.

Eles chamam a abordagem de robótica agêntica. Em vez de uma rede que transforma imagens da câmera direto em comandos de motor, um modelo de fundação fica no topo como tomador de decisões, que eles chamam de Embodied System 2. Ele lê a intenção do usuário, planeja, chama habilidades e ferramentas de nível mais baixo, confere se cada passo funcionou e muda de rumo se não funcionou. Abaixo ficam habilidades aprendidas, como modelos de visão, linguagem e ação e modelos de mundo e ação (System 1), e abaixo delas o laço de controle do corpo (System 0). A parte difícil, diz o artigo, é transformar raciocínio geral em ações verificáveis sob limites físicos: pouco tempo para reagir, restrições mecânicas, ambientes que mudam e ações que não podem ser desfeitas.

A contribuição prática é um framework de avaliação que mede tanto as capacidades do próprio modelo quanto o desempenho de todo o sistema em malha fechada. Isso importa porque os resultados atuais são difíceis de comparar. Os autores apontam que as avaliações publicadas do Astra no RoboDojo usam fontes de conhecimento de tarefa e orçamentos de ação diferentes, e que um estudo mostrou grandes ganhos só com a adição de memória de execução, mantendo fixos o planejador e as habilidades.

O roteiro vai de ações isoladas ao que os autores chamam de funções permanentes: um robô a quem se confia um trabalho contínuo, que acompanha objetivos ao longo do tempo, se recupera de falhas e aprende com a experiência sem esquecer o que já sabia. Ele também discute quais lições dos agentes de software se transferem, como usar ferramentas e conferir resultados, e quais não, já que um erro físico custa caro.

Isso se liga a outros trabalhos de robótica que cobrimos, como o Gemini Robotics 2.5 e o aprendizado em contexto do RoboScript. O porém é claro: é um preprint, sem revisão por pares, não traz experimentos novos, e a tese de mudança de paradigma se apoia em poucas semanas de resultados de uma única família de modelos.

Nossa opinião: Uma definição e um teste comuns ajudariam, porque os resultados atuais de robôs com o Astra usam orçamentos e montagens diferentes e não podem ser comparados. É um preprint, sem revisão por pares e sem experimentos novos, e a tese de um novo paradigma se apoia em poucas semanas de resultados.

Nossas análises:GPT-6 Astra

Fonte: arXiv (Hugging Face Daily Papers)

Mais matérias