EmbodiedMind de ZTE déplace le calcul des avantages GRPO vers les préfixes d'action : entraînement en trois étapes et points vérifiables d'un modèle incarné 8B
Selon un article de ZTE publié par Machine Heart le 6 novembre 2026 sous la forme d'une « annonce », l'article scientifique EmbodiedMind propose un paradigme d'entraînement en trois étapes — RSFT, IR-GRPO et Trie-GRPO — et affirme qu'un modèle 8B atteint une moyenne de 70,02 % sur 18 benchmarks incarnés et améliore de 30,31 % la précision de planification longue par rapport au meilleur état de l'art, tout en indiquant que Nebula-EmbodiedBrain-180B est à égalité en tête du classement national des cerveaux incarnés SuperCLUE de septembre ; le texte original ne mentionne ni ouverture des poids, ni code, ni API.
Ce qui change
Le 6 novembre 2026, Machine Heart a publié, sous la forme d'une « annonce », un article de ZTE consacré à un modèle incarné. Selon cet article, l'équipe de ZTE propose dans l'article « EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence » un paradigme d'entraînement en trois étapes. D'abord, RSFT stratifie les échantillons selon les résultats de plusieurs inférences à température élevée : ceux toujours corrects sont étiquetés simples, ceux partiellement corrects incertains, ceux toujours erronés difficiles ; le jeu d'entraînement ne conserve que les échantillons incertains et une certaine proportion d'échantillons simples. Ensuite, IR-GRPO maintient une file FIFO indépendante par type de tâche, lisse par moyenne mobile exponentielle la proportion d'échantillons valides de chaque tâche et ajuste dynamiquement le quota d'échantillonnage du tour suivant. Enfin, Trie-GRPO insère en parallèle toutes les trajectoires échantillonnées dans un arbre de préfixes d'actions : les trajectoires partageant le même préfixe historique forment des sous-groupes frères au point de bifurcation, l'avantage relatif n'est calculé qu'entre nœuds frères, et il est rétropropagé le long du chemin de l'arbre via le retour actualisé, avec filtrage des échantillons à avantage proche de zéro pour maîtriser le coût d'exploration. L'article affirme qu'EmbodiedMind-8B, avec seulement 522 000 échantillons d'entraînement, obtient une moyenne de 70,02 % sur 18 benchmarks couvrant la compréhension multimodale générale, le raisonnement spatial 2D, la métrique spatiale 3D et la planification de tâches, et améliore de 30,31 % la précision de planification longue par rapport au meilleur état de l'art ; l'article a été soumis à ICRA 2027. Le texte fournit aussi plusieurs comparaisons précises : 66,67 sur VLM-PlanSim-99 (jusqu'à 25 étapes), au-dessus de Cosmos3-Nano ; un taux de réussite de 60,45 % sur ALFWorld-thor, contre 46,27 % pour SEEA-R1 ; sur 50 scènes de bureau et 160 vidéos de suivi d'exécution de tâches construites sur AgiBot A2, une planification de rangement de bureau de 62,00 % (contre 40,00 % pour Qwen3-VL-8B) et une précision de suivi d'exécution de 55,31 % (contre 46,88 %). Le même article indique par ailleurs que Nebula-EmbodiedBrain-180B obtient 77,48 points au classement EmbodiedCLUE-VLA des cerveaux incarnés SuperCLUE de septembre 2026, à égalité en tête du classement national avec Qwen3.8-Max-0902, et 97,92 points sur le sous-item de sécurité incarnée.
Conséquences pour les développeurs
Il faut d'abord distinguer « ce à quoi on peut se connecter » et « ce qu'on peut réutiliser ». Le texte original ne mentionne ni publication des poids, ni dépôt de code, ni interface hébergée pour EmbodiedMind-8B ou Nebula-EmbodiedBrain-180B ; ces deux noms ne correspondent donc actuellement à aucun objet directement appelable ou déployable localement. Ce que l'article permet d'analyser, ce sont les méthodes d'entraînement et les protocoles d'évaluation. Si vous faites du post-entraînement par apprentissage par renforcement de modèles incarnés ou VLA, la définition du « groupe » au niveau de la trajectoire entière ou du préfixe d'action change directement la composition du gradient des trajectoires échouées : selon l'explication de l'article, un avantage au niveau de la trajectoire pénalise aussi les décisions intermédiaires correctes d'une trajectoire finalement échouée, tandis que l'arbre de préfixes limite la comparaison aux nœuds frères et filtre les échantillons à avantage proche de zéro pour garder un coût d'exploration supportable. Ce changement ne dépend pas d'un modèle de base particulier et peut en principe être transposé dans votre propre implémentation de type GRPO, au prix d'une exigence sur la capacité d'échantillonnage par bifurcation de l'environnement. Pour les développeurs plutôt orientés évaluation, un autre indice utile est le classement tiers : le classement SuperCLUE de septembre place des modèles de niveau 180B dans la même catégorie que des modèles de 2,4 T de paramètres, et le texte original précise que les modèles internationaux de référence ne participent pas au classement national, mais les scores de référence cités (GPT-6 Astra 86,75, Gemini-3.8-Flash 82,12) sont supérieurs à 77,48 ; il faut donc distinguer le périmètre du classement et les scores absolus. Globalement, il s'agit d'une avancée méthodologique, non d'une sortie de modèle directement intégrables.
Intégration et évaluation
Les suggestions ci-dessous sont conditionnelles et ne constituent pas des faits rapportés. Première suggestion : faut-il faire passer le regroupement des avantages GRPO de la trajectoire entière au préfixe d'action ? Le changement rapporté dans l'article est Trie-GRPO : le GRPO standard applique uniformément l'avantage au niveau de la trajectoire à tous les tokens, si bien qu'un échec final pénalise aussi les décisions intermédiaires correctes ; l'arbre de préfixes fait former aux trajectoires partageant le même préfixe historique des sous-groupes frères au point de bifurcation et normalise l'avantage relatif uniquement entre nœuds frères. Le choix à faire est donc, pour le post-entraînement RL de tâches multi-étapes, de regrouper par trajectoire ou par préfixe d'action rejouable. Ce choix dépend des capacités de l'environnement et de la longueur des tâches : le regroupement par préfixe n'a de sens que si le simulateur ou l'environnement réel peut se réinitialiser depuis un état intermédiaire et bifurquer à partir du même préfixe, et si l'on peut échantillonner assez de frères sous un même préfixe pour normaliser ; si les tâches ne comptent qu'une ou deux étapes, ou si l'environnement ne peut pas bifurquer en cours de route, le regroupement par trajectoire est plus facile à mettre en œuvre. Le critère mesurable consiste à lancer deux groupes de RL avec le même budget d'échantillonnage sur votre propre jeu d'évaluation long de plus de 10 étapes, et à comparer le taux de réussite final et la précision étape par étape ; les 30,31 % de l'article relèvent de la mesure des auteurs et ne peuvent pas être pris directement comme gain attendu chez vous. Deuxième suggestion : faut-il ajouter un filtre d'incertitude avant l'entraînement ? Ce que rapporte l'article est RSFT : plusieurs inférences à température élevée classent les échantillons en tout juste, partiellement juste et tout faux ; le jeu d'entraînement ne conserve que les échantillons partiellement corrects et une certaine proportion d'échantillons simples, en excluant temporairement les échantillons tout faux. Le choix à faire est d'ajouter ou non ce filtre avant le SFT, et quelle proportion d'échantillons simples conserver. La condition est un signal de notation suffisamment fiable : la stratification dépend entièrement du jugement correct/incorrect, or un bruit de notation important fausse la classification elle-même, et les inférences multiples à température élevée coûtent d'abord du calcul d'inférence. Le critère mesurable consiste à enregistrer le nombre d'échantillons valides après filtrage et les epochs d'entraînement, à comparer avec un SFT sur corpus complet les scores d'évaluation par type de capacité, et à surveiller l'apparition précoce de signes d'effondrement de distribution comme une chute brutale de la diversité des sorties. Troisième suggestion : faut-il ajouter une couche de quotas par tâche à l'échantillonnage dynamique ? Ce que rapporte l'article est IR-GRPO : une file FIFO indépendante par type de tâche, un lissage par moyenne mobile exponentielle de la proportion d'échantillons valides de chaque tâche, puis un ajustement dynamique du quota d'échantillonnage du tour suivant. Le choix à faire est d'ajouter ou non un contrôle de quota par étiquette de tâche au-dessus d'un échantillonnage dynamique de type DAPO. La condition est que les échantillons portent des étiquettes de type de tâche fiables et que la difficulté des tâches soit naturellement déséquilibrée ; si les tâches sont très homogènes, le gain de cette couche est limité. Le critère mesurable consiste à enregistrer tour par tour les scores par type de tâche, à vérifier l'apparition d'un effet de balancier où une catégorie monte pendant qu'une autre baisse, et à comparer la borne basse du score du type de tâche le plus faible avec et sans quota.
Limites et points à confirmer
Cet article a été publié par Machine Heart sous la forme d'une « annonce » ; la méthode et les chiffres proviennent de l'article de l'équipe de ZTE et des affirmations du texte original. Nous ne les avons pas reproduits indépendamment et n'avons validé aucun de ces points sur un robot réel. Le statut de l'article est « soumis à ICRA 2027 », et non accepté ni déjà évalué par les pairs ; les scores de benchmark relèvent de la déclaration des auteurs. Le texte original ne précise pas non plus si les 30,31 % correspondent à une amélioration relative ou à un écart en points absolus : il faut conserver cette incertitude en lisant ce chiffre. Les conclusions sur robot réel reposent sur le jeu de données A2-Failure composé de 50 scènes de bureau et 160 vidéos de suivi, dont l'échelle est limitée ; l'effet de transfert vers d'autres environnements est inconnu. Le classement SuperCLUE est celui de septembre 2026, antérieur à la date de publication de l'article, et le texte original précise que les modèles internationaux ne servent que de référence et ne participent pas au classement national ; les scores du classement ne peuvent donc pas être considérés comme des conclusions durables dans le temps. Le texte original ne mentionne ni ouverture des poids, ni code, ni API ; au 12 novembre 2026, la vérification du catalogue en ligne de KimiSeek montre que ni EmbodiedMind-8B ni Nebula-EmbodiedBrain-180B n'y figurent ; si une interface hébergée apparaissait un jour, sa disponibilité dépendrait des indications du fournisseur.