Agibot a présenté GO-3 Preview, un modèle destiné à faire apprendre des tâches physiques aux robots avant, pendant et après leur déploiement. L’entreprise chinoise l’a associé à un test grandeur nature : six humanoïdes G2 ont travaillé pendant 24 heures dans un magasin de proximité.
Le constructeur revendique la première place sur trois benchmarks de robotique incarnée, RoboDojo, RoboTwin et RoboColiseum. Ces résultats restent ceux communiqués par Agibot et devront être confrontés aux évaluations détaillées ainsi qu’aux performances observées hors laboratoire. L’entreprise prévoit de publier intégralement GO-3 en open source avant la fin de 2026.
Un modèle qui relie perception et action
GO-3 repose sur l’architecture WRAM, pour World Reasoning Action Model. Son rôle est de réunir la compréhension d’une consigne, la prédiction d’un état futur et la génération d’actions. Le but n’est pas seulement de reproduire un geste appris, mais de transférer des compétences vers des objets ou des environnements nouveaux.
Agibot décrit une chaîne d’apprentissage en trois temps. La phase initiale exploite des données visuelles, des trajectoires et des interactions. Le post-entraînement utilise ensuite Genie Evolver, un système mêlant simulation, modèles du monde et une flotte de 100 robots physiques. Enfin, Genie Master enregistre les succès, les échecs et les reprises de tâche pendant l’exploitation afin de réinjecter cette expérience dans les améliorations futures.
Six G2 confrontés aux contraintes d’un magasin
Le test « Robots Never Clock Out » a placé six humanoïdes G2 dans un commerce pendant une journée complète. Ils ont été confrontés aux périodes d’affluence, au service nocturne et à la préparation du matin. La démonstration cherche à montrer autre chose qu’une séquence courte et préparée : la continuité de service, la gestion des exceptions et l’accumulation d’expérience.
La vidéo officielle permet toutefois surtout d’observer un scénario piloté par le fabricant. Elle ne fournit pas encore de mesure indépendante sur le taux de réussite, les interventions humaines, la vitesse d’exécution ou le coût d’exploitation. Ces données seront indispensables pour juger si l’apprentissage après déploiement réduit réellement les arrêts et les besoins de supervision.
Le terrain devient une partie de l’entraînement
Le point important de GO-3 est ce changement de frontière entre développement et exploitation. Dans l’approche proposée, un robot livré chez un client continue de produire des informations utiles au modèle, sous réserve d’un encadrement strict des données et de la sécurité. Cela peut accélérer l’adaptation à des tâches variées, mais aussi rendre le contrôle des versions et la validation des comportements plus complexes.
Agibot détaille son architecture dans son annonce officielle. Le déroulement du test a également été décrit par Interesting Engineering. La publication annoncée du code et des modèles sera la prochaine étape vérifiable.
