Bienvenidos a la era de la IA corpórea: Presentamos AA-Robotics v0.1
Artificial AnalysisTodos los artículos 14 de octubre de 2026Bienvenidos a la era de la IA corpórea: Presentamos AA-Robotics v0.1 Lanzamos AA-Robotics v0.1, nuestra vista previa de investigación que mi
Bienvenidos a la era de la IA corpórea: Presentamos AA-Robotics v0.1
Lanzamos AA-Robotics v0.1, nuestra vista previa de investigación que mide el rendimiento de los modelos de lenguaje de frontera en comprensión, planificación y actuación en el mundo físico. En v0.1, a cada modelo se le da el control de un brazo robótico de 6 ejes (5 articulaciones y una pinza) y un objetivo simple. Hoy publicamos los resultados de nuestras primeras ocho tareas.
Desde comienzos de 2026, los modelos de lenguaje de frontera han realizado enormes progresos en su capacidad para controlar brazos robóticos. Ahora creemos que el futuro de la robótica probablemente involucre agentes generalistas potentes, y concluimos que seguir el progreso de los modelos de lenguaje en tareas de robótica será importante, incluso si los modelos de lenguaje de frontera no son aptos por sí solos para uso en robótica de producción.
AA-Robotics v0.1 es nuestra vista previa de investigación del experimento más simple que hemos diseñado para probar esto: modelos de lenguaje en entornos de agente de codificación controlando directamente un brazo robótico. A cada modelo se le da el control de un brazo robótico de 6 ejes (5 articulaciones y una pinza) y un objetivo simple para cada tarea.
Descubrimos que los modelos de lenguaje de frontera en entornos de agente de codificación efectivamente se han vuelto recientemente capaces de manipular directamente brazos robóticos para tareas simples. Hoy, son demasiado lentos y costosos para cualquier tipo de uso en producción, casi dos órdenes de magnitud peores que las líneas base humanas. Esperamos que esto cambie rápidamente.
GPT-6 Astra queda primero en AA-Robotics v0.1 con una puntuación de 69, seguido de GPT-6.1 Sol, Gemini 4 Argon, Claude Opus 5.5 y Claude Fable 5.1. GPT-6 Astra tardó 30 minutos y costó $16.36 en promedio por tarea.
Puntuación AA-Robotics
Puntuación media por tarea (0 a 100) · Todas las tareas
Cada intento se puntúa sobre 100: completar la tarea puntúa 100, y un resultado parcial obtiene puntos por el progreso realizado.
Las ocho tareas
AA-Robotics v0.1 incluye inicialmente ocho tareas de sobremesa, modeladas sobre actividades cotidianas, para evaluar una gama de capacidades de robótica: control y destreza, como la manipulación y el agarre preciso de objetos, razonamiento espacial, como comprender cómo los objetos interactúan entre sí, y adaptabilidad, midiendo cómo responden los modelos a lo inesperado.
Cada intento se puntúa sobre 100: completar la tarea otorga 100 puntos, y un resultado parcial suma puntos por el progreso realizado.
Los modelos GPT se ejecutan en Codex, los modelos Claude en Claude Code, y Gemini 4 Argon en Antigravity, todos con la configuración de esfuerzo alto.
Tarea
Modelo
Pulsa el botón con la pinza.
Puntuación completa en 2:12
0:00 / 0:00Solo movimiento
Cómo funciona AA-Robotics
Los modelos se ejecutan en un contenedor aislado con instrucciones breves: cómo acceder al brazo robótico (mediante una API HTTP sencilla), qué brazo es (un Hiwonder NexArm, sin más especificaciones) y cómo enviar un intento como completado. Pueden ver la escena a través de cuatro cámaras, tres montadas alrededor de la mesa y una en la muñeca del brazo, y pueden escribir y ejecutar código en el contenedor para planificar y enviar movimientos.
Una vez que un modelo ha enviado una tarea para revisión, el estado final se evalúa según los criterios de aprobación de la tarea. Una aprobación puntúa 100, con puntos otorgados por éxito parcial en caso de una tarea incompleta. Todos los intentos de tarea son de tipo zero-shot.
Tiempo y coste
Los modelos de lenguaje actuales son aproximadamente 100 veces más lentos que un humano en AA-Robotics v0.1, tardando alrededor de media hora por tarea frente a un promedio humano de 20 segundos. En conjunto, cuatro de los cinco modelos probados se ven similares, con unos 30 minutos por tarea, mientras que Gemini 4 Argon es el más lento con 52 minutos. Sin embargo, estos promedios ocultan grandes diferencias entre tareas.
GPT-6 Astra pulsó el botón rojo en 2.2 minutos, mientras que Claude Fable 5.1 pasó unos diez minutos entendiendo y planificando antes de su primera acción. La mayor diferencia se produjo en la tarea de colocar el cocodrilo, donde GPT-6.1 Sol se declaró completo tras cinco minutos, frente a 45 para Claude Opus 5.5, una diferencia de nueve veces. En todas las tareas, Gemini 4 Argon fue el más lento en actuar, pasando un promedio de 21 minutos observando y razonando antes de su primera acción, casi el doble que cualquier otro modelo.
Tiempo por tarea
Tiempo promedio por tarea (minutos) · Todas las tareas
Puntuación AA-Robotics frente a tiempo por tarea
Tiempo promedio por tarea (minutos) · Todas las tareasCuadrante más atractivoFrontera de Pareto de modelos
La brecha entre humanos y modelos es menor en coste: el modelo más rentable cuesta unas diez veces más que una persona que gana el salario horario promedio de EE. UU., frente a casi 100 veces más en tiempo. Entre modelos, GPT-6.1 Sol es el más barato, con $1.93 por tarea en promedio, mientras que GPT-6 Astra, el más caro, cuesta $16.36, más de ocho veces lo que cuesta Sol, por una puntuación solo cuatro puntos mayor (69 frente a 65). Dada la novedad del brazo y la escena, y el gran volumen de información visual que los modelos deben procesar, la mayor parte del coste recae en la entrada: el 70% del gasto va al contexto.
Coste por tarea
Coste promedio por tarea (USD) · Todas las tareas
Puntuación AA-Robotics frente a coste por tarea
Coste promedio por tarea (USD) · Todas las tareasCuadrante más atractivoFrontera de Pareto de modelos
El coste humano es el tiempo de tarea hecho a mano valorado a $37.81 por hora, las ganancias horarias promedio de todos los empleados en las nóminas privadas no agrícolas de EE. UU. (Oficina de Estadísticas Laborales de EE. UU., datos preliminares de septiembre de 2026).
Cómo usó su tiempo cada modelo
Como era de esperar, los modelos dedican una gran parte del tiempo inicial de la tarea a calibrar el brazo y comprender la escena, continuando hasta realizar la primera acción. Después de este punto, la mayor parte del tiempo se dedica a planificar movimientos, con movimientos del brazo relativamente cortos y precisos entre cada paso de planificación más largo. Las vistas de cámara y la escritura de notas son fracciones relativamente pequeñas del tiempo total.
Curiosamente, los modelos a menudo siguen refinando sus intentos mucho después de alcanzar un estado aprobado. GPT-6.1 Sol, por ejemplo, construye una torre aprobada tras ~17 minutos, solo para fallar la tarea posteriormente. Queda por ver cómo mejorarán los modelos su capacidad de razonar sobre la finalización de tareas en el espacio físico.
Proporción del tiempo de intento por actividad
Proporción del tiempo de intento (%) · Todas las tareas
Comprensión de la escena, el brazo y el movimiento
Planificación de movimientos
Revisión de cámaras
Brazo en movimiento
Otro
Gemini 4 Argon42%45%6%6%419 minClaude Fable 5.133%37%9%18%249 minClaude Opus 5.521%45%9%23%253 minGPT-6 Astra20%59%6%13%242 minGPT-6.1 Sol17%61%6%13%224 min
Otro cubre la espera de código en ejecución, la escritura de notas y el informe final.
El tiempo de pensamiento y de herramientas de cada paso se asigna a una actividad a partir de su código, imágenes y mensajes; el movimiento del brazo es el tiempo en que el brazo ejecutaba un comando.
Los tiempos de actividad de Gemini 4 Argon son estimados: Antigravity no registra la hora de cada paso, por lo que los pasos se colocan entre los comandos del brazo, que se cronometran exactamente, en proporción a sus tokens.
Actividad a lo largo de cada ejecución
Minutos transcurridos de la ejecuciónTarea
0:00 transcurridos0 de 5 finalizados
Comprensión de la escena, el brazo y el movimiento
Planificación de movimientos
Revisión de cámaras
Brazo en movimiento
Otro
Primera acción
Primera vez que alcanzó un estado aprobado
Error irrecuperable
«Otro» abarca esperar mientras se ejecuta código, tomar notas y el informe final.
La primera acción es la primera pulsación, agarre, empuje, vertido o trazo de pluma de una ejecución.
Un error irrecuperable significa que el modelo ya no puede alcanzar la puntuación máxima.
Los tiempos de actividad de Gemini 4 Argon son estimados: Antigravity no registra la hora de cada paso, por lo que los pasos se sitúan entre los comandos del brazo, que se cronometran con exactitud, en proporción a sus tokens.
Precisión física
Agarrar y la manipulación fina eran habilidades clave para evaluar en AA-Robotics v0.1, ya que apuntan no solo hacia tareas de control más precisas, sino, lo que es más importante, hacia el uso de herramientas y la gama mucho más amplia de capacidades que esta desbloquea.
GPT-6 Astra y Claude Fable 5.1 obtuvieron los mejores resultados con la mayor proporción de intentos exitosos (~45 %), lo que indica cierto grado de control de precisión, mientras que GPT-6.1 Sol obtuvo la peor puntuación, con un 28 %. Gemini 4 Argon quedó en medio con un 36 %, y muchos de sus fallos cerraron justo por encima o al lado del bloque que intentaba alcanzar.
Resultado de cada intento de agarre
Proporción de intentos de agarre (%) · 6 tareas que implican agarre
Se intentaron agarres en las tareas Place Crocodile, Pour Drink, Tidy Box, Match Shapes, Build Tower y Measure Box. «Exitoso» se define como sostener el objeto previsto durante su levantamiento o transporte, y «fallido, parcial o de objeto equivocado» cuando la pinza no cerró sobre el objeto, cerró sobre él antes de que resbalara, se cayera o no pudiera levantarse, o tomó un objeto diferente por error.
Muro de errores
Pase el cursor sobre un clip para ver qué salió mal y haga clic en un clip para ampliarlo. ¡Hemos destacado algunos de nuestros ejemplos favoritos!
Juzgar mal el éxito o el fracaso, y cuándo detenerse
