GO-3 Preview, da Zhiyuan, afirma liderar três rankings de robótica e prevê código aberto no fim do ano
Segundo reportagem da Xinzhiyuan de 29 de outubro de 2026, a Zhiyuan lançou o modelo de IA encarnada GO-3 Preview e afirma que ele lidera os rankings RoboDojo, RoboTwin e RoboColiseum, além de encadear pré-treinamento, pós-treinamento e aprendizado após a implantação; a empresa espera abrir totalmente o código até o fim do ano, mas pesos, licença e forma de chamada ainda não foram divulgados.
O que mudou
Segundo a Xinzhiyuan, em 29 de outubro de 2026, a Zhiyuan lançou naquele dia o modelo de IA encarnada GO-3 Preview, afirmando que ele ocupa o primeiro lugar nos rankings de robótica RoboDojo, RoboTwin e RoboColiseum e que, no RoboDojo, aparece à frente do modelo generalista GPT-6 Astra mencionado na reportagem. De acordo com a descrição, o foco não está em uma métrica isolada, mas em ligar três etapas de treinamento em uma única linha: o pré-treinamento usa a arquitetura de ação com raciocínio de mundo chamada WRAM, que inclui o codificador visual orientado a controle CoAE, o planejador visual de passo único SVP e a otimização seletiva alinhada ao conhecimento KASO, além do lançamento do conjunto de dados de robôs reais em escala de milhões AGIBOT WORLD 2026; o pós-treinamento fica a cargo do Genie Evolver, que alterna tentativa e erro em três motores — robô real, simulação física e modelo de mundo — e introduz o ajuste fino com recuperação de experiência guiada por falhas, FERT, usando o contexto anterior à falha para recuperar trechos de um banco compartilhado de experiências bem-sucedidas da frota e usá-los com pesos no treinamento; a etapa após a implantação é conduzida pelo framework de agente Genie Master, lançado em 27 de outubro, que conecta o raciocínio de alto nível à execução de baixo nível por meio do protocolo de execução encarnada EEP, com lições de falha podendo se consolidar como regras de memória de longo prazo (Harness RSI) ou retornar aos pesos da política (Policy RSI). Os números citados incluem: a taxa média de sucesso em cinco tarefas reais — arranjo de flores, dobragem de roupas, carregamento de celular, montagem de banco e embalagem de celular — subiu de 81,0% para 97,3%; as falhas no processo longo e multifásico de embalagem de celular caíram 92%; a taxa de sucesso no controle de forma na dobragem de roupas passou de 85,8% para 98,3%; e a taxa de sucesso do fluxo completo passou de 28,6% para 85,7%. A Zhiyuan afirma que espera abrir totalmente o código do GO-3 Preview e de outros modelos até o fim do ano, e planeja fazer, em 2 de novembro, um teste de 24 horas em uma loja de conveniência com 6 robôs G2, transmitido ao vivo.
Impacto para desenvolvedores
Para desenvolvedores, esse discurso de “continuar aprendendo após a implantação” muda o formato do sistema, não os parâmetros de uma chamada de inferência. Se você tratar o modelo como um checkpoint estático, ainda precisará suprir orquestração de tarefas, recuperação de falhas e intervenção humana; pela rota descrita, parte da capacidade vem da experiência acumulada em tempo de execução, e o retorno de dados e a atualização da política fazem parte do sistema, não são algo para depois do lançamento. O critério de avaliação também merece revisão: os três rankings foram fornecidos unilateralmente pelo fabricante; a reportagem não divulga distribuição de tarefas, scripts de avaliação nem forma de reprodução, e é mais prudente tratá-los como sinal sobre quem testar primeiro do que como conclusão de seleção. O cronograma de código aberto também pede cautela — a reportagem diz apenas “espera-se abrir totalmente o código até o fim do ano”, sem especificar se serão liberados pesos, código de treinamento ou dados, e sem mencionar licença; pesos abertos não equivalem a licença de código aberto, e direitos de uso comercial, redistribuição e modelos derivados só poderão ser julgados quando o texto da licença existir. No estado atual, não há pesos para download nem API ou forma de chamada pública; no curto prazo, não dá para integrar o modelo aos serviços existentes, apenas fazer preparação arquitetural e conferência de métricas.
Integração e avaliação
O que segue são juízos condicionais baseados na reportagem, não fatos divulgados pela Zhiyuan. Decisão 1: vale investir em um pipeline de retorno de dados e retreinamento para o “aprendizado após a implantação”? A mudança relatada é a alegação do Genie Master de elevar, sem intervenção humana no ciclo, a taxa de sucesso do fluxo completo de 28,6% para 85,7%, com um ganho adicional de 17,7% em tarefa única. Há dois caminhos: tratar a política como modelo congelado e remediar apenas com memória e orquestração; ou incorporar coleta de trajetórias de falha, atualização de política e substituição gradual à operação diária. A condição prévia para mudar de escolha é conseguir registrar de forma estável, no seu próprio cenário, dados de sensores e resultados de execução de um intervalo antes e depois da falha, além de ter um processo de atualização com rollback — sem isso, você só obtém metade do benefício, a de memória e orquestração. Sugestão de critério: em um conjunto reservado fixo das suas tarefas, repetir as mesmas tarefas vezes suficientes para medir a faixa de variação natural da taxa de sucesso e então verificar se o ganho após uma rodada de atualização ultrapassa claramente essa faixa, em vez de olhar apenas para um vídeo de demonstração. Decisão 2: começar em zero-shot ou fazer primeiro um ajuste fino com poucos exemplos? A reportagem afirma que o GO-3 tem como foco a generalização zero-shot, sem ajuste fino para cenas e objetos não vistos, e que, após ajuste fino, consegue realizar a apreensão, o alinhamento e a inserção de peças de LEGO. A escolha depende de dois pontos: se você consegue coletar dados de demonstração no robô-alvo e qual é a tolerância da tarefa a erros. Se a tarefa é um fluxo longo em que um erro em uma etapa derruba o todo, o risco de colocar em produção diretamente em zero-shot é maior do que fazer primeiro um ajuste fino em pequena escala. Critério: no mesmo conjunto reservado, comparar zero-shot e poucos exemplos em taxa de sucesso, número de intervenções humanas por conclusão e tempo de conclusão; ampliar o escopo apenas se pelo menos dois dos três melhorarem de forma estável. Decisão 3: esperar por esses pesos ou usar agora uma solução existente de pesos abertos? A reportagem traz uma promessa de código aberto sem data firme, sem licença nem informações de repositório. Se o marco do seu projeto for anterior à liberação dos pesos, montar o pipeline com modelos de pesos abertos já disponíveis para download tem risco menor. O critério pode ser resumido a três pré-condições: pesos disponíveis para download, licença que permita o seu uso específico e scripts de inferência que rodem e produzam resultados de avaliação reproduzíveis; se faltar qualquer uma, trate como “não pronto”.
Limites e pontos a confirmar
Os rankings, as taxas de sucesso e os ganhos de eficiência citados vêm de descrições unilaterais da Zhiyuan e da Xinzhiyuan; o artigo não apresenta scripts de avaliação, composição do conjunto de tarefas nem reprodução por terceiros, e parte dos números vem de tarefas reais escolhidas pelo fabricante. O ganho do aprendizado após a implantação depende do Genie Master, do EEP e do hardware do robô G2; a reportagem não informa se ele se sustenta em outro hardware. O código aberto é mencionado apenas como “espera-se abrir totalmente até o fim do ano”, sem licença, endereço de repositório ou arquivos de pesos; portanto, no momento não é possível baixar nem chamar o modelo, e a reportagem também não traz API pública nem preços, de modo que qualquer afirmação de disponibilidade deve seguir a posição oficial da Zhiyuan. O GO-3 Preview não está no catálogo atual de modelos do KimiSeek, e o KimiSeek não lançou essa versão; as menções a lançamento e disponibilidade no texto se referem ao lado do fabricante. Além disso, comparações como a com o GPT-6 Astra são fornecidas pela fonte, e sua configuração de avaliação também não foi divulgada.