GO-3 Preview de AgiBot dice liderar tres rankings de robótica y apuesta por aprender tras el despliegue, con código abierto a fin de año
Según un reportaje de Xinzhiyuan del 29 de octubre de 2026, AgiBot presentó el modelo encarnado GO-3 Preview, afirma que ocupa el primer puesto en tres rankings —RoboDojo, RoboTwin y RoboColiseum— y encadena preentrenamiento, postentrenamiento y aprendizaje posterior al despliegue en un solo flujo; la empresa prevé publicarlo todo como código abierto a fin de año, pero los pesos, la licencia y la forma de invocación aún no se han anunciado.
Qué ha cambiado
Según el reportaje de Xinzhiyuan del 29 de octubre de 2026, AgiBot lanzó ese día el modelo encarnado GO-3 Preview y afirma que ocupa el primer puesto en los rankings de robótica RoboDojo, RoboTwin y RoboColiseum, y que en RoboDojo queda por delante del modelo general GPT-6 Astra mencionado en la nota. Según la descripción del reportaje, el foco del modelo no está en una métrica aislada, sino en unir tres etapas de entrenamiento en una sola línea: el preentrenamiento usa una arquitectura de razonamiento y acción sobre el mundo llamada WRAM, que incluye un codificador visual orientado al control (CoAE), un planificador visual de un solo paso (SVP) y una optimización selectiva alineada con conocimiento (KASO), junto con la publicación de un conjunto de datos de robots reales de escala millonaria, AGIBOT WORLD 2026; el postentrenamiento corre a cargo de Genie Evolver, que alterna prueba y error con tres motores —robots reales, simulación física y modelos del mundo— e incorpora FERT, un ajuste fino con recuperación de experiencias guiado por fallos, que usa el contexto previo al fallo para recuperar fragmentos del pool de experiencias exitosas compartido por la flota y ponderarlos en el entrenamiento; la etapa posterior al despliegue la asume Genie Master, el marco de agentes publicado el 27 de octubre, que conecta el razonamiento de alto nivel con la ejecución de bajo nivel mediante un protocolo de ejecución encarnada llamado EEP; las lecciones de los fallos se consolidan como reglas de memoria de largo plazo (Harness RSI) o vuelven a los pesos de la política (Policy RSI). Las cifras que da el reportaje incluyen: la tasa media de éxito en cinco tareas reales —composición de arreglos florales, doblado de ropa, carga de un teléfono, montaje de un taburete y empaquetado de teléfonos— sube del 81,0% al 97,3%; en el empaquetado de teléfonos, el número de fallos en un proceso largo de varias etapas se reduce un 92%; en el doblado de ropa, el control de la forma pasa del 85,8% al 98,3% y el éxito del proceso completo, del 28,6% al 85,7%. AgiBot dice que prevé publicar completamente como código abierto GO-3 Preview y otros modelos a fin de año, y planea una prueba de transmisión en directo de 24 horas en una tienda de conveniencia con 6 robots G2 el 2 de noviembre.
Impacto para desarrolladores
Para los desarrolladores, una afirmación como «sigue aprendiendo tras el despliegue» cambia la forma del sistema, no los parámetros de una llamada de inferencia. Si se trata el modelo como un checkpoint estático, en producción habrá que completar por cuenta propia la orquestación de tareas, la recuperación de fallos y la intervención humana; con el enfoque descrito, parte de la capacidad del modelo proviene de la experiencia acumulada durante la operación, de modo que el retorno de datos y la actualización de la política forman parte del sistema y no algo que se resuelve después del lanzamiento. También conviene revisar el criterio de evaluación: los puestos en RoboDojo, RoboTwin y RoboColiseum los da unilateralmente el fabricante, y el reportaje no detalla la distribución de tareas, los scripts de evaluación ni cómo reproducirlos; es más prudente tomarlos como una señal de «a quién probar primero» que como una conclusión de selección. El calendario de código abierto también merece cautela: el reportaje solo dice «prevé publicar todo como código abierto a finales de año», sin aclarar si se liberarán pesos, código de entrenamiento o datos, y sin mencionar licencia; pesos abiertos no equivalen a licencia de código abierto, y los derechos de uso comercial, redistribución y modelos derivados solo podrán juzgarse cuando exista el texto de la licencia. En el estado actual no hay pesos descargables ni API o forma de invocación pública, así que a corto plazo no se puede integrar en servicios existentes; solo cabe preparar la arquitectura y verificar métricas.
Integración y evaluación
Lo que sigue son juicios condicionales basados en el reportaje, no hechos anunciados por AgiBot. Decisión uno: si invertir en un pipeline de retorno de datos y reentrenamiento para el «aprendizaje tras el despliegue». El cambio relevante del reportaje es que Genie Master afirma poder elevar la tasa de éxito del proceso completo del 28,6% al 85,7% sin intervención humana en el bucle, con una mejora adicional de 17,7 puntos en una sola tarea. Hay dos caminos posibles: tratar la política como un modelo congelado y compensar solo en las capas de memoria y orquestación, o incorporar la captura de trayectorias fallidas, la actualización de la política y el reemplazo gradual a la operación diaria. La condición previa que cambia la elección es si puedes registrar de forma estable, en tu propio escenario, los datos de sensores y los resultados de ejecución de un intervalo antes y después del fallo, y si cuentas con un proceso de actualización reversible; si no puedes, solo obtendrás la mitad del beneficio, la de memoria y orquestación. Criterio de evaluación sugerido: sobre un conjunto de validación fijo de tus propias tareas, repetir el mismo lote de tareas suficientes veces para medir primero la banda de fluctuación natural de la tasa de éxito y luego comprobar si la mejora tras una ronda de actualización supera claramente esa banda, en lugar de mirar solo un vídeo de demostración. Decisión dos: empezar con cero muestras o hacer primero un ajuste fino con pocas muestras. El reportaje sostiene que GO-3 apuesta por la generalización zero-shot, sin necesidad de ajuste fino en escenas y objetos no vistos, y que tras el ajuste fino puede completar la toma, el alineamiento y la inserción de piezas de Lego. La decisión depende de dos cosas: si puedes recoger datos de demostración en tu propio cuerpo robótico y cuánta tolerancia al error tiene la tarea. Si la tarea es un proceso largo en el que un solo paso mal arruina todo, el riesgo de lanzar directamente en zero-shot es mayor que el de hacer primero un ajuste fino a pequeña escala. Criterio: comparar en el mismo lote de tareas reservadas la tasa de éxito de zero-shot y de pocas muestras, el número de intervenciones humanas por ejecución y el tiempo de finalización; ampliar el alcance solo si al menos dos de los tres mejoran de forma estable. Decisión tres: esperar a estos pesos o usar primero una solución de pesos abiertos existente. Lo que ofrece el reportaje es una promesa de código abierto sin fecha firme y sin información de licencia ni de repositorio. Si tu hito de proyecto es anterior a la publicación de los pesos, montar el pipeline con modelos de pesos abiertos ya descargables es menos riesgoso. El criterio puede reducirse a tres condiciones previas: que los pesos se puedan descargar, que la licencia permita tu uso concreto y que el script de inferencia incluido funcione y produzca resultados de evaluación reproducibles; si falta cualquiera de las tres, trátalo como «no listo».
Límites y cuestiones pendientes
Los puestos en los rankings, las tasas de éxito y las magnitudes de mejora del reportaje provienen de la descripción unilateral de AgiBot y Xinzhiyuan; el artículo no ofrece scripts de evaluación, composición del conjunto de tareas ni reproducción por terceros, y parte de las cifras proceden de tareas reales elegidas por el propio fabricante. El beneficio del aprendizaje tras el despliegue depende de Genie Master, EEP y el cuerpo del robot G2; el reportaje no aclara si se mantiene en otro hardware. El código abierto solo se expresa como «prevé publicar todo como código abierto a finales de año», sin licencia, dirección de repositorio ni archivos de pesos, así que ahora no se puede ni descargar ni invocar; el reportaje tampoco publica información de API ni de precios, y cualquier afirmación sobre disponibilidad debe remitirse a la posición oficial de AgiBot. GO-3 Preview no está en el catálogo actual de modelos de KimiSeek, que no ha desplegado esta versión; el lanzamiento y la disponibilidad mencionados se refieren al lado del fabricante. Además, objetos de comparación como GPT-6 Astra son aportados por la fuente y su configuración de evaluación tampoco se ha publicado.