← Toutes les actualités

AgiBot GO-3 Preview revendique trois premières places et parie sur l’apprentissage après déploiement, avec un open source prévu fin d’année

Selon Xinzhiyuan, le 29 octobre 2026, AgiBot a présenté le modèle incarné GO-3 Preview, qu’il dit classé premier sur RoboDojo, RoboTwin et RoboColiseum, et qui relie pré-entraînement, post-entraînement et apprentissage après déploiement en une seule chaîne ; la société prévoit un open source complet fin d’année, sans avoir encore publié les poids, la licence ni les modalités d’appel.

Publication Mise à jour

Ce qui change

Selon Xinzhiyuan, le 29 octobre 2026, AgiBot a dévoilé ce jour-là le modèle incarné GO-3 Preview, qu’il présente comme premier sur les classements robotiques RoboDojo, RoboTwin et RoboColiseum, et devant le modèle généraliste GPT-6 Astra mentionné dans l’article pour RoboDojo. D’après la description, l’accent n’est pas mis sur une métrique isolée mais sur l’enchaînement de trois étapes d’entraînement. Le pré-entraînement utilise une architecture de raisonnement et d’action sur le monde appelée WRAM, avec un encodeur visuel orienté contrôle CoAE, un planificateur visuel à une étape SVP et une optimisation sélective alignée sur les connaissances KASO ; AgiBot publie aussi AGIBOT WORLD 2026, un jeu de données de robots réels à l’échelle du million. Le post-entraînement revient à Genie Evolver, qui alterne essais-erreurs via trois moteurs — robot réel, simulation physique et modèle du monde — et introduit FERT, un réglage fin par récupération d’expériences guidée par l’échec : des segments sont extraits, à partir du contexte précédant l’échec, d’un vivier d’expériences réussies partagé par la flotte, puis pondérés pour l’entraînement. La phase après déploiement est prise en charge par le cadre d’agents Genie Master, publié le 27 octobre, qui relie le raisonnement de haut niveau à l’exécution de bas niveau via un protocole d’exécution incarné nommé EEP ; les leçons d’échec deviennent soit des règles de mémoire à long terme (Harness RSI), soit retournent dans les poids de la politique (Policy RSI). Les chiffres cités incluent une hausse du taux de réussite moyen de 81,0 % à 97,3 % sur cinq tâches réelles — composition florale, pliage de vêtements, recharge de téléphone, assemblage de tabouret et emballage de téléphone —, une baisse de 92 % du nombre d’échecs sur le processus long et multi-étapes de l’emballage de téléphone, un taux de réussite du contrôle de forme pour le pliage de vêtements passant de 85,8 % à 98,3 %, et un taux de réussite du processus complet passant de 28,6 % à 85,7 %. AgiBot indique prévoir un open source complet de GO-3 Preview et d’autres éléments fin d’année, ainsi qu’un test en direct de 24 heures dans une supérette avec six robots G2 le 2 novembre.

Conséquences pour les développeurs

Pour les développeurs, une promesse comme « continuer à apprendre après le déploiement » change la forme du système, pas les paramètres d’un appel d’inférence. Si le modèle est traité comme un point de contrôle statique, il faut toujours ajouter soi-même l’orchestration des tâches, la récupération après échec et la reprise en main humaine ; dans la voie décrite, une partie des capacités vient de l’expérience accumulée pendant l’exploitation, si bien que la boucle de données et la mise à jour de la politique font partie du système, et non d’une étape à traiter après la mise en production. La grille d’évaluation mérite aussi d’être revue : les rangs sur RoboDojo, RoboTwin et RoboColiseum sont fournis unilatéralement par le fabricant, et l’article ne détaille ni la répartition des tâches, ni les scripts d’évaluation, ni les modalités de reproduction ; il est plus prudent de les lire comme un signal sur « qui essayer en priorité » que comme une conclusion de choix. Le calendrier d’open source demande également des réserves : l’article parle seulement d’un « open source complet attendu fin d’année », sans préciser s’il s’agit des poids, du code d’entraînement ou des données, ni mentionner de licence ; des poids ouverts ne valent pas licence open source, et les droits d’usage commercial, de redistribution et de modèles dérivés devront être jugés une fois le texte de licence disponible. En l’état, il n’existe ni poids téléchargeables, ni API publique, ni modalité d’appel : impossible de l’intégrer à court terme dans les services existants, seulement de préparer l’architecture et de vérifier les métriques.

Intégration et évaluation

Les jugements ci-dessous sont conditionnels et fondés sur l’article ; ils ne constituent pas des faits annoncés par AgiBot. Décision 1 : faut-il investir dans une boucle de données et un pipeline de réentraînement pour l’« apprentissage après déploiement » ? Le changement décrit est que Genie Master affirme pouvoir faire passer le taux de réussite du processus complet de 28,6 % à 85,7 % sans intervention humaine, avec une hausse supplémentaire de 17,7 % sur une tâche unique. Deux options existent : traiter la politique comme un modèle figé et se contenter de la mémoire et de l’orchestration, ou intégrer la collecte des trajectoires d’échec, la mise à jour de la politique et le remplacement progressif dans l’exploitation quotidienne. Le prérequis qui fait basculer le choix est votre capacité à enregistrer de façon stable, dans vos propres scénarios, les données de capteurs et les résultats d’exécution autour des échecs, et à disposer d’un processus de mise à jour réversible ; sinon, vous n’obtiendrez que la moitié des bénéfices, celle liée à la mémoire et à l’orchestration. Pour l’évaluation, mieux vaut mesurer d’abord la variabilité naturelle du taux de réussite en répétant suffisamment les mêmes tâches sur un ensemble de validation fixe et réservé, puis vérifier si le gain après une mise à jour dépasse nettement cette variabilité, plutôt que de se fier à une vidéo de démonstration. Décision 2 : démarrer en zéro shot ou passer d’abord par un réglage fin avec peu d’exemples ? L’article indique que GO-3 mise sur la généralisation zéro shot, sans réglage fin pour des scènes et objets inédits, et qu’un réglage fin permet d’accomplir la préhension, l’alignement et l’insertion de pièces de Lego. Le choix dépend de deux points : pouvez-vous collecter des démonstrations sur le corps cible, et quelle est la tolérance de la tâche à l’erreur ? Pour un processus long où une seule étape ratée fait échouer l’ensemble, le risque d’un déploiement direct en zéro shot est plus élevé que celui d’un petit réglage fin préalable. Critères : comparer, sur les mêmes tâches réservées, le taux de réussite en zéro shot et avec peu d’exemples, le nombre d’interventions humaines par exécution et le temps de réalisation ; n’élargir que si au moins deux de ces trois indicateurs s’améliorent de façon stable. Décision 3 : attendre ces poids ou utiliser dès maintenant une solution à poids ouverts existante ? L’article ne donne qu’une promesse d’open source au calendrier incertain, sans licence ni dépôt. Si votre jalon de projet précède la publication des poids, il est moins risqué de construire le pipeline avec un modèle à poids ouverts déjà téléchargeable. On peut résumer les critères à trois conditions préalables : les poids sont téléchargeables, la licence autorise votre usage précis, et les scripts d’inférence fournis fonctionnent et donnent des résultats d’évaluation reproductibles ; si l’une manque, considérez que ce n’est pas prêt.

Limites et points à confirmer

Les rangs, taux de réussite et gains d’efficacité cités proviennent uniquement des descriptions d’AgiBot et de Xinzhiyuan ; l’article ne fournit ni scripts d’évaluation, ni composition du jeu de tâches, ni reproduction par un tiers, et certains chiffres portent sur des tâches réelles choisies par le fabricant. Les bénéfices de l’apprentissage après déploiement dépendent de Genie Master, d’EEP et des robots G2 ; l’article ne précise pas si ces bénéfices se reproduisent sur d’autres matériels. L’open source n’est formulé que comme « open source complet attendu fin d’année », sans licence, adresse de dépôt ni fichiers de poids : il est donc impossible de le télécharger ou de l’appeler aujourd’hui, et l’article ne publie ni API ni tarification ; toute affirmation de disponibilité doit être rapportée à la communication officielle d’AgiBot. GO-3 Preview n’est pas dans le catalogue actuel de modèles de KimiSeek, KimiSeek n’a pas mis cette version en ligne ; les mentions de publication et de disponibilité dans le texte renvoient au côté fabricant. En outre, les comparateurs comme GPT-6 Astra sont fournis par la source, et leur configuration d’évaluation n’est pas non plus publique.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

刚刚,国产模型拿下三大榜单第一!年底全面开源

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.