L’équipe de recherche derrière Flex-π vient de publier le code, les checkpoints et les données de son modèle destiné à la manipulation robotique. Le système de 6 milliards de paramètres peut piloter un robot à partir d’un seul checkpoint, tout en adaptant son niveau de calcul aux besoins de la tâche.
Le projet réunit des chercheurs de l’Université de Washington et de l’Allen Institute for AI. Leur objectif est de rapprocher deux familles de modèles : les modèles vision-langage-action, rapides mais limités dans leur représentation du futur, et les modèles du monde, plus riches mais plus coûteux à exécuter.
Un seul modèle, plusieurs niveaux de calcul
Flex-π prédit conjointement les actions du robot, de futures images RGB, des cartes de points 3D et des représentations sémantiques DINOv3. À l’exécution, l’opérateur peut sélectionner les flux nécessaires. Le même checkpoint peut ainsi fonctionner comme un modèle vision-langage-action classique ou comme un modèle monde-action complet, sans nouvel entraînement.
Les auteurs annoncent 56 combinaisons de déploiement. Dans la configuration la plus légère, limitée aux actions, l’inférence prend environ 60 millisecondes sur une carte RTX 5090. La génération conjointe complète monte à 193 millisecondes. Cette souplesse vise un problème très concret : un robot n’a pas toujours besoin de reconstruire une scène entière pour accomplir un geste simple, mais cette représentation peut devenir utile face à un objet inédit ou à un environnement encombré.
Des essais sur cinq tâches bimanuelles
L’équipe a évalué Flex-π sur cinq tâches réalisées avec un robot bimanuel YAM. Elles comprennent notamment le rangement d’ustensiles, la manipulation d’objets et une réparation de préhenseur en huit étapes, avec une insertion laissant une marge de 0,25 millimètre. Selon les résultats publiés, le modèle atteint 2,3 fois le taux de réussite du meilleur système de comparaison sur cet ensemble de tâches réelles.
Les chercheurs indiquent aussi que Flex-π conserve de bonnes performances avec moins de démonstrations. Sur RoboTwin, l’objectif monde-action apporte entre 1,9 et 4,5 fois le taux de réussite des références avec 50 à 100 démonstrations par tâche. Ces chiffres restent ceux des auteurs et devront être reproduits sur d’autres matériels et dans des conditions industrielles.
Une publication exploitable par les roboticiens
La nouveauté de ce 20 août n’est pas le papier scientifique, déposé sur arXiv le 11 août, mais l’ouverture des artefacts permettant de tester le système. Le dépôt GitHub, sous licence MIT, contient les scripts d’entraînement, d’évaluation et de déploiement. Les checkpoints et les données des cinq tâches réelles sont distribués via Hugging Face.
Notre analyse
L’intérêt de Flex-π tient moins à un record isolé qu’à son compromis opérationnel. La robotique réelle impose des budgets de latence variables : une action réflexe doit partir vite, tandis qu’une manipulation délicate peut justifier davantage de calcul pour anticiper la géométrie et les conséquences du geste.
La publication du code permettra surtout de mesurer le coût réel de cette flexibilité, sa portabilité vers d’autres bras et sa robustesse hors laboratoire. Si les résultats se confirment, l’approche pourrait aider les équipes à éviter de maintenir plusieurs modèles spécialisés pour un même robot.
