← Todas las noticias

Archon Robotics publica Anchor 1, un modelo de control corporal total: el informe afirma un error de muñeca un 28% menor y prevé abrir los pesos por fases a finales de 2026

Según un reportaje de Jiqizhixin del 6 de noviembre de 2026, Archon Robotics publicó Anchor 1, un modelo de control corporal total concebido como el «cerebro pequeño» System 0: en pruebas con robots reales, el error de posición global de muñecas y tobillos fue aproximadamente un 28% y un 39% menor que el del mejor método de comparación previo, y la tasa de éxito en la recogida de demostraciones de teleoperación para patear cajas de cartón subió del 37,5% al 98,0%; los pesos y el código de despliegue se abrirían por fases a finales de 2026.

Publicado Actualizado

Qué ha cambiado

Según un reportaje de Jiqizhixin del 6 de noviembre de 2026, la empresa de inteligencia corporal Archon Robotics publicó Anchor 1, un modelo de control corporal total, junto con un informe técnico de 32 páginas y una página del proyecto, y lo sitúa como la capa System 0 (S0) dentro de una arquitectura de inteligencia corporal total, es decir, el «cerebro pequeño» que convierte instrucciones en movimientos de todo el cuerpo de forma estable. El reportaje indica que las instrucciones que emite Anchor 1 solo incluyen cinco partes: la pelvis, las dos muñecas y los dos tobillos, y que para cada parte se da una posición y una orientación objetivo, sin especificar el resto de articulaciones; en el despliegue no se hace retargeting en línea, sino que primero se calibra una vez con la postura en T del operador y la del robot, y después se aplican fotograma a fotograma parámetros fijos de escala, rotación y desplazamiento para convertir el movimiento humano a la escala del robot. En el entrenamiento, el retargeting se traslada a la fase offline: cada segmento de movimiento humano se acompaña de un segmento de movimiento del robot obtenido por retargeting como supervisión y recompensa, y tras un control de calidad automático y una revisión manual, el conjunto de entrenamiento queda en 406.222 segmentos de movimiento, unas 1081 horas, de las cuales el 77% procede de datos de captura de movimiento propios. En cuanto a la corrección, los errores de seguimiento de muñecas y tobillos no entran en el codificador, sino que se envían directamente al decodificador saltándose los tokens, y además se entrena una cabeza de trayectoria para reconstruir la pose objetivo cuando la capa superior solo proporciona tokens. Las pruebas con robots reales se realizaron en un Unitree G1: el reportaje afirma que, en 72 segmentos de manipulación corporal total, el error de posición global de muñecas y tobillos fue aproximadamente un 28% y un 39% menor que el del mejor método de comparación previo; la tasa de éxito en la recogida de demostraciones de teleoperación para patear cajas de cartón pasó del 37,5% al 98,0%, las demostraciones exitosas por hora subieron de 9 a 43, y la tarea de recoger zapatillas alcanzó 62 por hora con una tasa de éxito del 97,37%. El equipo también creó tres pistas de evaluación, In-house, Public y Reachability, que usan umbrales de error durante todo el recorrido para determinar si un segmento de movimiento tiene éxito. El reportaje sitúa este lanzamiento en un contexto más amplio: a finales de enero de este año Figure añadió System 0 a Helix 02, en febrero NVIDIA abrió el modelo fundacional de control corporal total SONIC, y después Google DeepMind y Zhiyuan también presentaron modelos relacionados. En cuanto al plan de apertura, Archon Robotics afirma que a finales de 2026 abrirá por fases los pesos del modelo Anchor 1 y el código de despliegue, así como la cadena de teleoperación y recogida de datos de demostración basada en PICO y Noitom PN-LINK.

Impacto para desarrolladores

Para los desarrolladores, lo primero que hay que mirar en esta noticia no es una cifra de referencia concreta, sino la forma de la interfaz. Las dos vías de mando que describe el reportaje —la teleoperación o una política de nivel superior que envía cinco anclajes, y una política de nivel superior que emite directamente motion tokens— determinan si lo que se toca es la canalización de recogida de datos o la capa de salida de la política. Si la pila actual hace retargeting en línea durante el despliegue, la idea de Anchor 1 es trasladar ese paso al entrenamiento offline y que el despliegue solo transmita cinco anclajes; el reportaje afirma que así solo se necesitan instrucciones con 60 milisegundos de antelación, frente a los 80 o 90 milisegundos de las soluciones comparadas, y muestra que cuatro dispositivos de entrada, Xsens, CHINGMU, Noitom PN-LINK y PICO, pueden convertirse en cinco anclajes, y que operadores de entre 165 y 188 centímetros de altura y entre 50 y 80 kilogramos de peso pueden usarlo directamente. El cambio en la eficiencia de recogida repercute en el coste: el informe indica que las demostraciones exitosas por hora pasan de 9 a 43, lo que implica que el tiempo persona-máquina necesario para lograr el mismo volumen de demostraciones puede variar mucho, pero se trata de resultados de autoevaluación de Archon Robotics en el G1, no de una conclusión generalizable a otros cuerpos. También conviene fijarse en el criterio de evaluación: el reportaje señala que, cuando se relaja el umbral, las tasas de éxito de los distintos métodos se acercan, y que la diferencia solo aparece al endurecerlo hasta los 10 centímetros, lo que indica que comparar controladores con el error de seguimiento medio de todo el segmento puede ocultar desviaciones breves pero críticas. Además, el reportaje afirma que la política de nivel superior puede emitir solo motion tokens y que un Anchor 1 congelado los ejecuta, lo que cambia el reparto de tareas entre «modelo grande + controlador». Todo lo anterior son afirmaciones del informe y del reportaje, sin reproducción independiente conocida; antes de integrarlo conviene verificar por separado la interfaz, la latencia y el criterio de evaluación como tres variables independientes, en lugar de tomar la clasificación del informe como base directa para elegir.

Integración y evaluación

Lo siguiente es análisis y recomendaciones condicionales, no hechos del reportaje. Primero, decidir si la interfaz de entrada usa cinco anclajes o mantiene el retargeting en línea: si la fuente ascendente son datos de esqueleto como Xsens, CHINGMU, PN-LINK o PICO y el destino es un cuerpo como el G1, la vía que indica el informe es calibrar una vez, aplicar parámetros fijos fotograma a fotograma y no resolver los ángulos articulares en tiempo real durante el despliegue; pero si la estructura articular de tu robot y la complexión del operador difieren mucho, deberás validar de nuevo por tu cuenta ese supuesto de calibración. Un criterio medible es: con tus propios movimientos de referencia, calcular la proporción de movimientos cuyo error de posición de muñecas y tobillos durante todo el recorrido no supere los 10 centímetros, compararla con la canalización de retargeting en línea actual sobre el mismo lote de movimientos y registrar además el número de saltos bruscos en las instrucciones. Segundo, decidir si la interfaz que expone la política de nivel superior son poses de cinco anclajes o motion tokens: si la capa superior es un VLA a gran escala y necesita una entrada compacta y estructurada, los tokens facilitan el entrenamiento; pero si el caso es la teleoperación para recoger demostraciones y la precisión es lo más sensible, el propio informe recomienda priorizar el envío directo de los cinco anclajes, porque reconstruir el objetivo a partir de tokens introduce pérdida de precisión (en simulación, el error de posición local pasa de 21,9 a 22,4 milímetros). Un criterio medible es la tasa de éxito de la tarea con un número fijo de ensayos y la diferencia de tasa de éxito del mismo cambio de tarea al usar la otra interfaz. Tercero, decidir el criterio de evaluación: sustituir el «error de seguimiento medio de todo el segmento» por una decisión por umbral fotograma a fotograma antes de comparar controladores exige disponer de un conjunto de movimientos de referencia que no haya participado en el entrenamiento y aceptar indicadores de proceso como el número de deslizamientos o de pasos sobrantes; un criterio medible es si la diferencia de tasa de éxito entre métodos sigue siendo clara con el umbral más estricto; si la diferencia desaparece al relajar el umbral, este conjunto de evaluación no distingue para la selección actual.

Límites y cuestiones pendientes

Tanto el reportaje como el informe enumeran limitaciones. La evaluación se hizo solo con un tipo de robot humanoide (Unitree G1), sin una comparación estricta entre cuerpos distintos, por lo que los errores y tasas de éxito anteriores no pueden extrapolarse directamente a otros modelos. Los cinco anclajes solo describen adónde debe llegar el cuerpo, no incluyen la geometría del objeto, las fuerzas de contacto ni la estabilidad del agarre; seguir bien el movimiento no equivale a agarrar con firmeza; en ejecución autónoma, la tasa de éxito al recoger zapatillas es del 45%, y el reportaje también reconoce que la manipulación corporal total autónoma está lejos de estar madura. La pérdida de precisión que introduce la reconstrucción del objetivo a partir de tokens aún debe reducirse. El artículo advierte que los métodos comparados en la pista Public podrían haber visto parte de los datos públicos durante el entrenamiento, y el reportaje nunca nombra ese «modelo de control corporal total de código abierto predominante», por lo que la reproducibilidad de la comparación transversal es limitada. En cuanto a la apertura, el reportaje solo menciona el plan de abrir por fases los pesos del modelo y el código de despliegue, sin indicar los términos de la licencia, por lo que no se debe tratar «pesos abiertos» como una licencia de código abierto. Los pesos y el código de despliegue se planean abrir por fases a finales de 2026 y aún no están disponibles; las cifras de capacidad, error y eficiencia de este artículo son todas declaradas por el fabricante. Cabe aclarar que Anchor 1 no aparece actualmente en el catálogo de modelos de KimiSeek y que el reportaje tampoco menciona ninguna API alojada; el plan de apertura, los plazos de disponibilidad y las cadenas relacionadas que se mencionan son afirmaciones de Archon Robotics, no servicios ya lanzados o prestados por este sitio, y para la integración real hay que atenerse a los canales del fabricante.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

刚刚,源策未来发布 Anchor 1:让人形机器人真正做到精准控制

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.