Recientemente, en la última clasificación de MolmoSpaces, el benchmark de referencia mundial autoritario de evaluación zero-shot de inteligencia encarnada impulsado por el Allen Institute for Artificial Intelligence (AI2), el framework de VLM Agent EchoPolicy-0 de Magic Atomic, orientado a la manipulación robótica general, alcanzó el primer puesto mundial en la clasificación MolmoSpaces Combined con una tasa media de éxito en manipulación robótica del 75.4%, cubriendo las 4 tareas de v1.
En la misma clasificación y el mismo grupo, MagicBrain, el framework de Agente de inteligencia encarnada de desarrollo propio de Magic Atomic, con una escala de 3.4B parámetros, se situó en el cuarto puesto mundial en la clasificación MolmoSpaces Combined con una tasa media de éxito en manipulación robótica del 72.4%, y su tasa de éxito en agarre alcanzó el 94.4%, muy por encima del promedio del sector.
La lista de MolmoSpaces es actualmente el benchmark de evaluación zero-shot más fiable del mundo en el campo de la inteligencia encarnada, orientado a manipulación, navegación y tareas encarnadas de mayor alcance. El ecosistema de MolmoSpaces incluye más de 23万 entornos interiores y alrededor de 13万 recursos de objetos, lo que proporciona abundantes fuentes de variación para la evaluación. Los robots deben enfrentarse a situaciones que exceden los entornos de demostración fijos: buscar objetivos con distintos fondos, geometrías y distribuciones de objetos, y completar las tareas según las condiciones locales.
Al mismo tiempo, MolmoSpaces incluye objetos rígidos móviles y objetos interactivos con articulaciones: el robot no solo debe encontrar el objetivo correcto en la imagen, sino que también debe cambiar el estado de los objetos mediante contactos simulados reales, lo que da una dificultad sustancial a las tareas de trabajo del robot.
El benchmark de MolmoSpaces especifica explícitamente la escena inicial, la configuración del robot y las cámaras, las instrucciones de la tarea y las condiciones de éxito; la lista completa, la puntuación unificada y los resultados públicos permiten convertir demostraciones dispersas en datos comparables. Las cuatro tareas en las que participaron el EchoPolicy-0 y el framework MagicBrain de Magic Atomic abarcan el agarre de objetos libres, la interacción con objetos articulados y la manipulación multietapa, evaluando desde distintos ángulos la capacidad sistémica de los frameworks de Agente de inteligencia encarnada, y no solo un único indicador.
Desde 2026, la inteligencia encarnada está pasando de la fase de demostración a las líneas de producción reales, y el centro de la competencia se traslada al “cerebro” del robot: los grandes modelos de inteligencia encarnada. Con la rápida mejora de la capacidad de control del movimiento de los robots, sus cuerpos son más ágiles y duraderos, y la aplicación práctica del cerebro evoluciona rápidamente a medida que se abren las fronteras del cuerpo. En consecuencia, la dirección de investigación del mercado está virando: cómo completar tareas más complejas y cómo dominar rápidamente tareas nuevas. La evaluación de MolmoSpaces también presta atención a la capacidad de generalización de los grandes modelos de inteligencia encarnada.
El responsable de MagicLab Studio, el laboratorio de I+D de Magic Atomic, declaró: “En la elección de la ruta del cerebro encarnado, reconocemos el enfoque de arquitectura jerárquica y hemos constatado que la capacidad de seguimiento de instrucciones es una dificultad actual de los modelos en tareas generales. EchoPolicy garantiza el seguimiento de instrucciones mediante un framework de Agente y la puntuación de trayectorias; MagicBrain optimiza el efecto de seguimiento de instrucciones mediante una guía visual de extremo a extremo; ambos han obtenido buenos resultados”.
EchoPolicy-0: que los robots compartan una sola forma de pensar y actuar en múltiples tareas
Para completar una tarea, un robot debe conectar de forma continua el objetivo lingüístico, la observación visual y la acción física. Por ejemplo, tras agarrar un objeto, debe juzgar si realmente lo tiene firme; antes de abrir la puerta de un armario, debe encontrar el punto de interacción; si una acción no produce el resultado esperado, el robot necesita ajustar el plan según la nueva situación.
Estas acciones parecen distintas, pero pertenecen a los problemas comunes que un robot de inteligencia encarnada debe afrontar entre tareas: dónde está el objetivo, cuál es el estado actual, qué capacidad debe invocarse, si la acción alcanza el propósito y cómo continuar tras un fallo.
MagicLab Studio de Magic Atomic, en torno a estos problemas comunes entre tareas, organiza el modelo visual-lingüístico, las herramientas de manipulación geométrica y la política de acción general en un framework unificado de VLM Agent llamado EchoPolicy-0, de modo que observar el entorno, comprender el objetivo, seleccionar la capacidad, ejecutar la acción y verificar el resultado observado formen un bucle cerrado. Las distintas tareas comparten este mecanismo, y los contactos y movimientos concretos los realizan los ejecutores correspondientes.
El responsable de I+D del framework EchoPolicy-0 declaró: “La generalidad de EchoPolicy-0 radica en permitir que las capacidades puedan invocarse, combinarse y verificarse de manera unificada. La versión actual de EchoPolicy-0 ya ha completado la validación de cuatro tipos de manipulación en la plataforma de un solo brazo Franka”.
En cuanto a la forma de usar la VLA, MagicLab Studio de Magic Atomic introdujo la selección de trayectorias multicandidato guiada por objetivos del VLM: se pide al modelo de acción que proponga primero varios movimientos posibles, las candidatas se proyectan en el plano de la imagen, luego se selecciona la trayectoria más acorde según el objetivo designado por el VLM, y se verifica continuamente tras la ejecución. Así, la comprensión visual de alto nivel participa en la selección de acciones de bajo nivel, en lugar de quedarse solo en la descomposición de tareas.
El framework EchoPolicy-0 completó 3915 rondas de evaluación completa en las cuatro tareas de manipulación de MolmoSpaces, logrando una tasa media de éxito equiponderada del 75.4% en las cuatro tareas; a 13 de octubre de 2026, se sitúa primero del mundo en la clasificación MolmoSpaces Combined.
MagicLab Studio de Magic Atomic considera las cuatro evaluaciones de EchoPolicy-0 en MolmoSpaces como una validación sistémica de un framework unificado, y utiliza además los resultados ronda a ronda para guiar las iteraciones posteriores. EchoPolicy-0 muestra una ruta sistémica orientada a la manipulación robótica general: un framework de Agente unificado puede organizar distintos tipos de capacidades de manipulación: el VLM Agent organiza los objetivos semánticos y el estado de la tarea, las herramientas geométricas proporcionan interacciones espaciales verificables, la política de acción general genera candidatas, la selección de trayectorias guiada por objetivos del VLM restringe la dirección de las acciones y la verificación continua las conecta.
EchoPolicy-0 responde, para los escenarios de despliegue de modelos de inteligencia encarnada, a una pregunta: cómo garantizar que, de las acciones que propone el modelo, se elige la correcta. No modifica las entradas del modelo, sino que entre los múltiples conjuntos de acciones candidatas que el modelo ofrece selecciona, según el objetivo visual, la más acorde, y verifica continuamente tras la ejecución. Para los clientes de下游, el valor de esta ruta no está en la tasa de éxito puntual: al añadir un nuevo tipo de tarea, no hay que construir un sistema desde cero, basta con conectar la capacidad al mismo framework.
Cerebro de desarrollo propio: MagicBrain permite al modelo “ver”, acercando la VLA de “usable en demostraciones” a “usable en líneas de producción”
El framework de Agente de inteligencia encarnada MagicBrain proviene de MagicLab Studio de Magic Atomic; en las cuatro tareas de manipulación de MolmoSpaces —agarre, agarre y colocación, apertura y cierre—, MagicBrain completó 3915 rondas de evaluación completa, con el cuarto mejor promedio mundial de tasa de éxito en las cuatro tareas de v1. En concreto, en las dos tareas Pick-v1 (agarre) y Pick & Place-v1 (agarre y colocación) obtuvo el primer puesto mundial en sus respectivas clasificaciones de tarea, y la tasa de éxito en la tarea de agarre alcanzó el 94.4%.
La arquitectura Visión-Lenguaje-Acción (VLA) es una de las más atendidas actualmente en el campo de la inteligencia encarnada, y su capacidad de seguimiento del lenguaje es un problema común de larga data en el sector. Hacer que el modelo ejecute una instrucción como “pon la manzana en la cesta” implica dos cosas que no le resultan nada fáciles: primero comprender el sustantivo “manzana” y luego identificar, a nivel de píxeles, cuál es “la manzana”.
En pruebas de I+D, MagicLab Studio de Magic Atomic comprobó que, en la mayoría de los casos de fallo de agarre, el problema no era la inestabilidad en la ejecución de la acción, sino agarrar el objeto equivocado o colocarlo en el lugar incorrecto. Dicho de otro modo: la VLA ya es suficientemente fuerte en el aprendizaje de acciones; la verdadera debilidad está en vincular las frases nominales a las regiones de la imagen, que es además el eslabón con las señales de entrenamiento más dispersas: si quiere agarrar “la manzana” y agarra “la pera” de al lado, el error no está en la mano, sino en los ojos.
En realidad, la capacidad de la VLA para seguir señales visuales es mayor que su capacidad para seguir instrucciones lingüísticas: “entender lo que se dice” es su punto débil, mientras que “entender lo que se ve” es su punto fuerte. Por ello, MagicBrain adopta una ruta técnica denominada In-Context Visual Guidance (guía visual en contexto): la VLA solo se encarga de las acciones, y la búsqueda del objetivo se delega al VLM Agent, más hábil para interpretar imágenes.
En el futuro, esta tecnología de guía visual podrá transferirse también a interacción y a muchos más escenarios: al fin y al cabo, “dibujar” al modelo aquello que debe mirar no solo sirve para el agarre. MagicBrain ofrece un paradigma de división del trabajo más eficiente. El lenguaje aclara “qué hacer” y los píxeles aclaran “cuál es y dónde está”; cada tipo de información se entrega al modelo que mejor sabe manejarlo. No introduce nuevas estructuras de modelo ni acumula más parámetros: solo reorganiza la ruta de transmisión de la información.
“Sobre la base de que la VLA comprende el lenguaje, hicimos que además ‘vea’ y sepa qué debe mirar”, afirmó el responsable de MagicLab Studio de Magic Atomic, quien señaló que esta ruta técnica no depende de aumentar la escala de parámetros para obtener el rendimiento de un gran modelo: el modelo evaluado tiene solo 3.4B parámetros.
Esto significa que cualquier equipo con capacidades básicas de datos puede reproducirlo a bajo coste y obtener beneficios sin competir por el tamaño del modelo: en el camino de la inteligencia encarnada hacia la escala, el enfoque de “combinar en lugar de ser omnivalente” quizá esté más cerca de la realidad que “un solo modelo que lo hace todo”.
A nivel sectorial, Magic Atomic responde a una pregunta muy comentada: ¿puede realmente la VLA usarse de forma asequible y práctica? El agarre y la colocación son acciones básicas de alta frecuencia para que la inteligencia encarnada pase del laboratorio a escenarios reales: la clasificación en fábricas, el transporte en almacenes y la organización del hogar dependen de ellas. El salto en la tasa de éxito de agarre del 70% al 94.4% significa que la VLA se acerca al umbral de pasar de “usable en demostraciones” a “usable en líneas de producción”. Para el sector, cada punto de mejora en la tasa de éxito amplía la frontera de los escenarios comercializables.
La filosofía de diseño del “cerebro encarnado” de Magic Atomic
“Hemos conseguido el primer puesto mundial en la clasificación de MolmoSpaces, pero lo que a Magic Atomic le interesa es la verdadera cuestión que hay detrás de la clasificación: cómo debe crecer el cerebro del robot de inteligencia encarnada, y dónde debe crecer”, declaró el responsable de MagicLab Studio de Magic Atomic.
Magic Atomic considera que la inteligencia encarnada debe avanzar por una ruta técnica de colaboración jerárquica: los modelos superiores se encargan de la comprensión, la planificación y la corrección de errores, y los modelos inferiores de transformar la intención de la tarea en acciones físicas fiables.
Los modelos superiores deben asumir la comprensión visual, la descomposición de tareas, la planificación y la toma de decisiones, la corrección de errores y la gestión de la memoria. Actualmente los modelos fundamentales de vanguardia tienen ya una buena base en estos aspectos, pero aún necesitan adaptarse a las relaciones espaciales, las restricciones físicas y la interacción continua de los escenarios encarnados. El responsable considera que, a corto plazo, el sector debe centrarse en construir Harness en torno al funcionamiento de los modelos, organizando la gestión del contexto, la invocación de herramientas, la retroalimentación de la ejecución y los mecanismos de evaluación, y explorar la optimización iterativa guiada por retroalimentación, incluida la dirección RSI; a largo plazo, será necesario apoyarse en datos de escenarios reales para realizar entrenamiento autónomo y post-entrenamiento, reforzando gradualmente la comprensión encarnada y la capacidad de decisión del propio modelo.
El responsable señaló que el modelo subyacente encargado de la generación de acciones y la ejecución del control puede adoptar una arquitectura VLA, WAM u otras arquitecturas híbridas. La elección de la arquitectura debe servir a las tareas reales, examinando con especial atención el seguimiento de instrucciones, la precisión de las acciones, la eficiencia de ejecución y la capacidad de generalización.
Actualmente, la arquitectura jerárquica en sí ya ha sido ampliamente discutida en la industria, pero una cuestión clave sigue sin resolverse por completo: cómo la intención de la tarea de la capa superior puede ser comprendida con precisión por la capa inferior y ejecutada de manera estable.
En sus experimentos, MagicLab Studio de Magic Atom descubrió que los modelos de acción existentes siguen mostrando con facilidad errores de selección de objetivos y desviaciones en la comprensión de restricciones espaciales en escenarios fuera de la distribución (OOD). Por ello, el equipo probó dos enfoques de solución complementarios.
El primero es EchoPolicy-0, que en esta ocasión se alzó con el primer puesto del ranking MolmoSpaces, y que mejora la coherencia entre la ejecución y las instrucciones mediante la orquestación por agentes, la selección de candidatos y la verificación de bucle cerrado. En él, el modelo de la capa superior descompone la tarea en subobjetivos explícitos; el sistema evalúa múltiples trayectorias de acciones candidatas generadas por el modelo subyacente y selecciona la que mejor se ajusta a la instrucción actual; tras la ejecución, se juzga el progreso según las nuevas observaciones y se decide continuar, reintentar, replanificar o retroceder, invocando herramientas geométricas según sea necesario para completar operaciones específicas.
La ventaja de esta línea técnica es que permite iterar rápidamente mejorando los mecanismos de orquestación, selección y verificación, sin necesidad de reentrenar el modelo subyacente, aumentando así la capacidad de finalización de tareas de los modelos existentes.
El enfoque de MagicBrain consiste en mejorar, mediante una guía visual explícita y un entrenamiento complementario, la capacidad de alineación con el objetivo en la fase de generación de acciones.
De ello, lo más digno de mención es el mecanismo de guía visual entre las capas superior e inferior. MagicBrain inyecta en la observación del modelo subyacente, en forma de marcas visuales, el objetivo de interacción identificado por la capa superior, las regiones de colocación y el historial de movimiento a corto plazo, de modo que la intención de la tarea se corresponda directamente con posiciones concretas de la imagen. Este método no requiere modificar la arquitectura de red del VLA; mediante un post-entrenamiento complementario, el modelo aprende a asociar las marcas visuales con la semántica de la manipulación y el comportamiento de las acciones, reduciendo así la ambigüedad que surge al depender únicamente de instrucciones en lenguaje natural.
Los dos enfoques actúan respectivamente sobre dos eslabones: la “generación de acciones” y la “ejecución, selección y verificación”, y presentan una fuerte complementariedad: la guía visual ayuda a la capa inferior a generar acciones más acordes con el objetivo, mientras que la orquestación por agentes se encarga de seleccionar, ejecutar, comprobar y corregir errores.
En esta ocasión, EchoPolicy-0 logró el primer puesto y MagicBrain el cuarto, lo que valida la eficacia de ambas vías.
Mirando hacia el futuro, Magic Atom declaró: “En la próxima etapa, exploraremos más a fondo la combinación de ambos, formando un bucle de retroalimentación completo desde la comprensión de la tarea hasta la ejecución física, y entraremos en escenarios industriales reales para verificar de forma continua la tasa de éxito de las tareas, la estabilidad operativa y el costo de despliegue, perfeccionando en el proceso la plataforma de datos y modelos. Consolidaremos las capacidades validadas en módulos de habilidades reutilizables, interfaces estándar y soluciones, mientras acumulamos de manera sistemática datos de éxitos, fallos y correcciones manuales, estableciendo un mecanismo de iteración continua de “despliegue—recopilación—entrenamiento—evaluación—redespliegue”, e impulsando la conversión de la experiencia de ingeniería en capacidades de los modelos fundamentales.”