Westlake Robot actualiza su cerebro general WR1: doblado colaborativo entre dos robots y tareas domésticas continuas en tres habitaciones
Según un reporte del 10 de octubre de 2026, Hangzhou Westlake Robot presentó una versión mejorada de su modelo de cerebro general WR1, que combina un modelo del mundo con una arquitectura VLA. En una demostración en una sola toma continua, el sistema realizó tareas encadenadas como tomar ropa, doblar pantalones en colaboración entre dos robots, colocar maíz en una freidora de aire, guardar peluches y ordenar una manta, abarcando cocina, sala y dormitorio. La empresa afirmó que el doblado autónomo de ropa con manos diestras constituye el primer caso de demostración a nivel mundial.
Qué ha cambiado
Según un reporte del 10 de octubre de 2026, Hangzhou Westlake Robot, surgida de la transferencia de resultados en inteligencia artificial y robótica de la Universidad de Westlake, presentó públicamente una versión mejorada de su modelo de cerebro general WR1. El reporte señala que WR1 emplea una arquitectura de doble preentrenamiento de cerebro general y cerebelo, que combina un modelo del mundo con un modelo de visión-lenguaje-acción, y que a partir de observaciones visuales e instrucciones de lenguaje genera de forma unificada una secuencia completa de acciones que incluye desplazamiento corporal, postura de todo el cuerpo y manipulación con manos diestras, mientras que el control de todo el cuerpo se delega a GAE, su modelo de acción general de desarrollo propio. La demostración se divide en dos segmentos: en el primero, el robot retira pantalones largos de un tendedero y los sostiene sobre el brazo; bajo perturbaciones como el balanceo del tendedero y el desplazamiento de dos camisetas en él, observa y ajusta de forma continua; luego lanza una camiseta a un brazo mecánico para que la doble de forma autónoma, se gira y extiende los pantalones sobre una mesa para doblarlos en colaboración con otro robot humanoide. El reporte afirma que el doblado autónomo de ropa con manos diestras de un robot humanoide es el primer caso de demostración a nivel mundial. En el segundo segmento, el robot recorre tres zonas —cocina, sala y dormitorio— y completa sucesivamente la apertura del refrigerador para tomar maíz, un giro en U hasta la freidora de aire para colocarlo, una flexión para guardar peluches del sofá y la mesa de centro, y el ordenado de una manta. El reporte indica que todo el proceso no requirió reinicio manual ni envío de comandos por segmentos. El reporte también menciona que WR1 incorpora un mecanismo de revisión de estados de movimiento de corto y largo plazo y de fragmentación de acciones en tiempo real para reducir las pausas causadas por la actualización de acciones, y que un mecanismo de previsión ajustable compensa la latencia de ejecución. La fuente menciona que la empresa ha completado varias rondas de financiamiento del orden de cientos de millones de yuanes, pero no publicó el número de parámetros del modelo, el volumen de datos de entrenamiento ni la latencia de inferencia.
Impacto para desarrolladores
Primero debe delimitarse la categoría: WR1 es un sistema de inteligencia encarnada acoplado a hardware, y no pertenece al mismo tipo de producto que los modelos de lenguaje y multimodalidad disponibles en KimiSeek, como DeepSeek, Qwen, GLM o Kimi. Los desarrolladores no pueden usarlo directamente en las rutas de llamada de API de texto o imagen existentes, y menos aún su componente de control de todo el cuerpo. Para los equipos interesados en pilas robóticas y en la dirección VLA, el valor analizable de este anuncio reside en la descripción pública de la estratificación de la arquitectura y de los mecanismos de enlace entre tareas: dividir la comprensión multimodal, la predicción del modelo del mundo y el control de todo el cuerpo en dos capas —cerebro general y modelo de ejecución— y organizar el flujo de instrucciones con un módulo de gestión de tareas. Esta ruta es coherente con la dirección principal de la investigación actual en VLA. Las afirmaciones del reporte sobre «igualar o incluso superar las propuestas de Figure y Helix» y sobre «el primer caso mundial de doblado autónomo de ropa con manos diestras» son afirmaciones unilaterales de la fuente, carecen de reproducción por terceros o de comparación de métricas, y no deben citarse como conclusiones verificadas. Además, este tipo de demostraciones suele ocurrir en escenarios controlados; la fuente no ofrece datos sobre tasas de fallo, número de intentos ni si hubo edición, por lo que no es adecuado inferir de ello madurez de ingeniería ni la estabilidad de la continuidad entre habitaciones en entornos domésticos reales no estructurados. Para los desarrolladores del lado de modelos, la lección más práctica es la relación entre la tasa de éxito por paso y la degradación de la tasa de éxito global en tareas de largo horizonte, y si los mecanismos de revisión de estados pueden mitigar las pausas en las transiciones de acciones. Ambos puntos comparten una estructura problemática similar a la orquestación de cadenas largas de agentes y pueden servir como referencia analógica, pero no equivalen a una solución técnica directamente reutilizable.
Integración y evaluación
Lo siguiente es análisis y recomendaciones condicionales, no hechos declarados por la fuente. Primero, si el equipo trabaja en orquestación de agentes o tareas robóticas de cadena larga, vale la pena contrastar la revisión de estados de movimiento de corto y largo plazo y la fragmentación de acciones en tiempo real descritas por la fuente: incorporar la trayectoria en ejecución al contexto al generar el siguiente segmento de acciones. Si conviene adoptarlo depende de la longitud de la cadena de tareas: cuando la tasa de éxito por paso es alta pero la tasa de éxito extremo a extremo se degrada claramente con el número de pasos, este tipo de mecanismo de enlace de estados ofrece el mayor beneficio. El criterio de evaluación puede fijarse como la curva de tasa de éxito extremo a extremo de una misma tarea cuando el número de pasos pasa de tres a diez, observando si la pendiente de degradación se aplana. Segundo, si el equipo se interesa por la manipulación de objetos flexibles o deformables, la fuente enumera como principales dificultades la forma continuamente cambiante del objeto, las perturbaciones externas y la colaboración entre dos robots; la decisión correspondiente es invertir en un bucle cerrado de percepción o depender de trayectorias predefinidas. Cuando el objeto de manipulación es deformable, como la ropa, y en el escenario existen fuentes de perturbación como soportes oscilantes u objetos en movimiento, es más probable que funcione una estrategia de percepción en bucle cerrado. El criterio de evaluación puede fijarse como la caída de la tasa de éxito de la tarea respecto a una línea base sin perturbaciones tras introducir perturbaciones artificiales, por ejemplo, si al balancear el soporte o cambiar la posición inicial del objeto la caída de la tasa de éxito se mantiene dentro de un rango aceptable. Tercero, si el equipo considera reproducir una arquitectura estratificada similar, debe aclarar primero si cuenta con las condiciones para recolectar de forma unificada datos de demostración de entrenamiento y de ejecución autónoma: la fuente afirma que GAE asume el control tanto en la fase de recolección de demostraciones como en la de ejecución autónoma, compartiendo una misma base de control. Esta premisa no se cumple en equipos que solo tienen datos del lado de inferencia y carecen de una cadena de datos de teleoperación del cuerpo, por lo que no conviene copiar ese esquema de estratificación. Ninguna de las recomendaciones anteriores implica que la fuente haya proporcionado los datos correspondientes.
Límites y cuestiones pendientes
Debe quedar claro: esta versión WR1 no está actualmente listada en la plataforma KimiSeek; lo que este sitio ofrece son modelos de lenguaje y multimodalidad como DeepSeek, Qwen, GLM y Kimi, que pertenecen a una categoría distinta de los sistemas de inteligencia encarnada. Si la fuente menciona posteriormente cualquier API o disponibilidad comercial, se refiere al lado del fabricante y no a este sitio; las condiciones concretas de facturación y apertura deben regirse por las indicaciones oficiales del fabricante. La fuente es un comunicado de la propia empresa; la demostración es una exhibición de rendimiento autoinformada, y falta reproducción por terceros, estadísticas de tasas de fallo, número de intentos y una explicación independiente sobre si hubo edición. Expresiones del reporte como «el primero del mundo» o «supera la propuesta Helix» son afirmaciones unilaterales de la fuente y no deben citarse como hechos verificados. La fuente no publicó el número de parámetros de WR1, el volumen de datos de entrenamiento, la latencia de inferencia, ni si se abrirán los pesos o se ofrecerá una API, ni explicó el costo de hardware ni las condiciones de despliegue de la demostración, por lo que no es posible juzgar su disponibilidad de ingeniería ni su grado de reproducibilidad. La fecha de publicación de este reporte es el 10 de octubre de 2026; la fuente no proporciona por separado fechas concretas de grabación y publicación de la demostración, y los hitos temporales relevantes deben atenerse a la información más reciente de los canales oficiales de Westlake Robot.