← Todas las noticias

EmbodiedMind de ZTE traslada el cálculo de ventajas de GRPO al prefijo de acciones: entrenamiento en tres fases de un modelo embodied de 8B y puntos verificables

Según un artículo sobre ZTE que el medio chino Jiqizhixin publicó el 6 de noviembre de 2026 en formato de «lanzamiento», el paper EmbodiedMind propone un paradigma de entrenamiento en tres fases —RSFT, IR-GRPO y Trie-GRPO— y afirma que el modelo de 8B alcanza una media de 70,02 % en 18 benchmarks de embodied y que su precisión en planificación de largo horizonte mejora un 30,31 % respecto al mejor método existente; también afirma que Nebula-EmbodiedBrain-180B comparte el primer puesto nacional en la lista de cerebro embodied de SuperCLUE de septiembre. El texto original no menciona apertura de pesos, código ni API.

Publicado Actualizado

Qué ha cambiado

El 6 de noviembre de 2026, el medio chino Jiqizhixin publicó en formato de «lanzamiento» un artículo sobre el modelo embodied de ZTE. Según ese texto, el paper del equipo de ZTE titulado EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence propone un paradigma de entrenamiento en tres fases: primero, RSFT clasifica las muestras según los resultados de múltiples inferencias con temperatura alta —todas correctas como simples, parcialmente correctas como inciertas y todas fallidas como difíciles— y el conjunto de entrenamiento conserva solo las inciertas y una proporción determinada de las simples; después, IR-GRPO mantiene una cola FIFO independiente por tipo de tarea, suaviza con media móvil exponencial la proporción de muestras válidas de cada tarea y ajusta dinámicamente la cuota de muestreo de la siguiente ronda; por último, Trie-GRPO inserta en paralelo todas las trayectorias muestreadas en un árbol de prefijos de acciones, donde las trayectorias que comparten un mismo prefijo histórico forman subgrupos hermanos en el punto de bifurcación, la ventaja relativa se calcula solo entre nodos hermanos y se propaga a lo largo de las rutas del árbol con retorno descontado, filtrando las muestras de ventaja cercana a cero para controlar el coste de exploración. El texto original afirma que EmbodiedMind-8B usa solo 522.000 muestras de entrenamiento y obtiene una media de 70,02 % en 18 benchmarks que cubren comprensión multimodal general, razonamiento espacial 2D, medición espacial 3D y planificación de tareas, con una mejora del 30,31 % en precisión de planificación de largo horizonte frente al mejor método existente; el paper se ha enviado a ICRA 2027. El artículo ofrece además varias comparaciones concretas: 66,67 en VLM-PlanSim-99 con hasta 25 pasos, por encima de Cosmos3-Nano; 60,45 % de tasa de éxito en ALFWorld-thor frente al 46,27 % de SEEA-R1; y en 50 escenarios de escritorio y 160 vídeos de monitorización de ejecución de tareas construidos sobre AgiBot A2, 62,00 % en planificación de ordenación de escritorio (frente al 40,00 % de Qwen3-VL-8B) y 55,31 % de precisión en monitorización de ejecución de tareas (frente al 46,88 %). El mismo texto afirma también que Nebula-EmbodiedBrain-180B comparte el primer puesto nacional con Qwen3.8-Max-0902 en la lista EmbodiedCLUE-VLA de cerebro embodied de SuperCLUE de septiembre de 2026, con 77,48 puntos, y obtiene 97,92 puntos en el apartado de seguridad embodied.

Impacto para desarrolladores

Conviene separar «a qué se puede acceder» de «qué se puede aprovechar». El texto original no menciona la publicación de pesos, un repositorio de código ni una interfaz alojada para EmbodiedMind-8B o Nebula-EmbodiedBrain-180B, así que estos dos nombres no corresponden por ahora a ningún objeto que se pueda invocar directamente ni desplegar en local; lo que este artículo puede analizar son el método de entrenamiento y los criterios de evaluación. Si trabajas en post-entrenamiento con RL de modelos embodied o VLA, definir el «grupo» a nivel de trayectoria completa o a nivel de prefijo de acciones cambia directamente la composición del gradiente de las trayectorias fallidas: según la explicación del texto original, la ventaja a nivel de trayectoria penaliza también las acciones intermedias correctas de una trayectoria fallida, mientras que el árbol de prefijos limita la comparación a los nodos hermanos y filtra las muestras de ventaja cercana a cero a cambio de un coste de exploración asumible. Este cambio no depende de una base concreta y, en principio, puede trasladarse a una implementación propia de GRPO, a costa de exigir capacidad de muestreo con bifurcación al entorno. Para quien se dedica más a la evaluación, otra pista útil es la lista de terceros: el criterio de SuperCLUE de septiembre sitúa a un modelo de nivel 180B en la misma franja que uno de 2,4 billones de parámetros, y además el texto original aclara que los modelos de referencia internacionales no participan en la clasificación nacional, pero las puntuaciones de referencia que cita (GPT-6 Astra 86,75; Gemini-3.8-Flash 82,12) superan los 77,48, así que al leer la lista hay que separar el alcance de la clasificación de las puntuaciones absolutas. En conjunto, es un avance a nivel de método, no un lanzamiento de modelo directamente integrable.

Integración y evaluación

Las siguientes son recomendaciones condicionales, no hechos reportados. Recomendación uno: si cambiar la agrupación de ventajas de GRPO de la trayectoria completa al prefijo de acciones. El cambio que reporta el texto original es Trie-GRPO: el GRPO estándar aplica la ventaja a nivel de trayectoria de forma uniforme a todos los tokens, de modo que una trayectoria que acaba fallando arrastra también sus decisiones intermedias correctas; el árbol de prefijos hace que las trayectorias que comparten un mismo prefijo histórico formen subgrupos hermanos en el punto de bifurcación y normaliza la ventaja relativa solo entre nodos hermanos. La decisión es si el post-entrenamiento con RL de tareas de varios pasos se agrupa por trayectoria o por prefijos de acciones reproducibles. El requisito para cambiar esa decisión son la capacidad del entorno y la duración de la tarea: la agrupación por prefijos solo tiene sentido si el simulador o el entorno real pueden reiniciarse desde un estado intermedio y bifurcar con el mismo prefijo, y si bajo ese prefijo se pueden muestrear suficientes hermanos para normalizar; cuando las tareas tienen solo uno o dos pasos, o el entorno no puede bifurcar desde el medio, la agrupación por trayectoria es más fácil de implementar. Un criterio medible es ejecutar dos grupos de RL con el mismo presupuesto de muestreo sobre un conjunto de evaluación propio de largo horizonte de 10 pasos o más, y comparar la tasa de éxito final y la precisión paso a paso; el 30,31 % del texto original es la métrica de mejora de los autores y no puede tomarse directamente como el beneficio que obtendrás tú. Recomendación dos: si añadir antes del entrenamiento un filtro de incertidumbre. Lo que reporta el texto original es RSFT: múltiples inferencias con temperatura alta dividen las muestras en todas correctas, parcialmente correctas y todas erróneas; el conjunto de entrenamiento conserva solo las parcialmente correctas y una proporción de las simples, y excluye de momento las todas erróneas. La decisión es si añadir ese filtro antes del SFT y cuántas muestras simples conservar. El requisito es que la señal de corrección sea suficientemente fiable, porque la estratificación depende por completo del juicio «correcto/incorrecto» y, con mucho ruido de juicio, la clasificación misma se distorsiona; además, las múltiples inferencias con temperatura alta implican primero un coste de inferencia. Un criterio medible es registrar el número de muestras válidas tras el filtro y las rondas de entrenamiento, comparar con un SFT sobre el corpus completo las puntuaciones de evaluación de cada tipo de capacidad y vigilar si al principio aparece una caída brusca de la diversidad de salida, señal de colapso de la distribución. Recomendación tres: si añadir a la dinámica de muestreo una capa de cuotas por tarea. Lo que reporta el texto original es IR-GRPO: mantiene una cola FIFO independiente por tipo de tarea, suaviza con media móvil exponencial la proporción de muestras válidas de cada tarea y ajusta dinámicamente la cuota de la siguiente ronda. La decisión es si, además del muestreo dinámico estilo DAPO, añadir un control de cuotas por etiqueta de tarea. El requisito es que las muestras tengan etiquetas de tipo de tarea fiables y que la dificultad de las tareas sea naturalmente desigual; cuando las tareas son muy homogéneas, esta capa de control aporta poco. Un criterio medible es registrar ronda a ronda las puntuaciones de cada tipo de tarea, comprobar si aparece un efecto balancín en el que una sube y otra baja, y comparar con y sin cuotas el suelo de puntuación del tipo de tarea peor.

Límites y cuestiones pendientes

Este artículo fue publicado por el medio chino Jiqizhixin en formato de «lanzamiento»; el método y las cifras provienen del paper del equipo de ZTE y de lo expuesto en el texto original. Este artículo no reproduce nada de forma independiente ni ha verificado ninguno de esos puntos en un robot real. El estado del paper es «enviado a ICRA 2027», no aceptado ni sometido a revisión por pares, y las puntuaciones de benchmark son de autoinforme de los autores; el texto original tampoco aclara si el 30,31 % es una mejora relativa o una diferencia en puntos porcentuales, incertidumbre que conviene mantener al leer esa cifra. Las conclusiones en robot real se basan en el conjunto de datos A2-Failure, formado por 50 escenarios de escritorio y 160 vídeos de monitorización, un tamaño limitado, y se desconoce el efecto de transferencia a otros entornos. La lista de SuperCLUE corresponde al criterio de septiembre de 2026, anterior a la fecha de publicación del artículo, y el texto original aclara que los modelos internacionales son solo referencia y no participan en la clasificación nacional, por lo que las puntuaciones de la lista no pueden tomarse como una conclusión sostenida en el tiempo. El texto original no menciona apertura de pesos, código ni API; a fecha de 12 de noviembre de 2026, al consultar el catálogo en línea de KimiSeek, ni EmbodiedMind-8B ni Nebula-EmbodiedBrain-180B aparecen recogidos, y si en el futuro aparece una interfaz alojada, su disponibilidad quedará sujeta a lo que indique el proveedor.

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

让机器人学会「一口气干完一件活」,中兴 EmbodiedMind 重构具身大脑训练范式

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.