West Lake Robotics atualiza o cérebro geral WR1: demonstração de dobra de roupas em coordenação entre dois robôs e tarefas domésticas contínuas em três ambientes
Segundo reportagem de 10 de outubro de 2026, a Hangzhou West Lake Robotics divulgou a versão atualizada do cérebro geral WR1, que combina modelo de mundo e arquitetura VLA e, em uma demonstração em plano-sequência, executou tarefas contínuas como pegar roupas, dobrar calças em coordenação entre dois robôs, colocar milho na air fryer, guardar bonecos e arrumar o edredom, atravessando cozinha, sala e quarto; a empresa afirma que a dobra autônoma de roupas com mãos hábeis é o primeiro caso de demonstração do mundo.
O que mudou
Segundo reportagem de 10 de outubro de 2026, a Hangzhou West Lake Robotics, originada da transferência de resultados de pesquisa em inteligência artificial e robótica da Westlake University, apresentou publicamente a versão atualizada de seu modelo de cérebro geral WR1. A reportagem afirma que o WR1 adota uma arquitetura de pré-treinamento duplo de cérebro geral e cerebelo, combinando modelo de mundo com modelo de visão-linguagem-ação, e, com base em observações visuais e comandos de linguagem, produz de forma unificada uma sequência completa de ações que inclui deslocamento do corpo, postura de todo o corpo e manipulação com mãos hábeis, com o controle de todo o corpo executado pelo modelo de ação geral GAE desenvolvido internamente. A demonstração tem duas partes: na primeira, o robô retira uma calça comprida do varal e a apoia no braço, observando e ajustando continuamente sob perturbações como o balanço do varal e o deslocamento de duas camisetas penduradas; em seguida, joga a camiseta para o braço robótico dobrá-la de forma autônoma e se vira para estender a calça sobre a mesa, dobrando-a em coordenação com outro robô humanoide; a reportagem afirma que a dobra autônoma de roupas com mãos hábeis de um robô humanoide é o primeiro caso de demonstração do mundo. Na segunda parte, o robô atravessa três áreas — cozinha, sala e quarto — e realiza sequencialmente a abertura da geladeira para pegar milho, uma curva em U até a air fryer para colocar o milho, agachar-se para guardar bonecos sobre o sofá e a mesa de centro, e arrumar o edredom; a reportagem afirma que todo o processo não exigiu reposicionamento manual intermediário nem envio de comandos em etapas. A reportagem menciona ainda que o WR1 introduz mecanismos de revisão de estado de movimento de curto e longo prazo e de divisão de ações em tempo real para reduzir pausas causadas por atualizações de movimento, além de um mecanismo de antecipação ajustável para compensar atrasos de execução. A fonte menciona que a empresa já concluiu várias rodadas de financiamento na casa das centenas de milhões de yuans, mas não divulgou o número de parâmetros do modelo, o volume de dados de treinamento nem a latência de inferência.
Impacto para desenvolvedores
Primeiro é preciso delimitar a categoria: o WR1 é um sistema de inteligência incorporada acoplado a hardware e não pertence à mesma forma de produto que os modelos de linguagem e multimodais DeepSeek, Qwen, GLM e Kimi listados no KimiSeek; desenvolvedores não podem usá-lo diretamente nos caminhos atuais de chamada de API de texto ou imagem, especialmente sua parte de controle de todo o corpo. Para equipes que acompanham a pilha de robótica e a direção VLA, o valor analisável deste anúncio está na descrição pública da estratificação da arquitetura e dos mecanismos de encadeamento de tarefas: dividir a compreensão multimodal, a previsão do modelo de mundo e o controle de todo o corpo em dois níveis — cérebro geral e modelo de execução — e organizar o fluxo de comandos com um módulo de gerenciamento de tarefas; essa rota é consistente com a direção principal da pesquisa atual em VLA. As afirmações da reportagem de "equiparar-se ou até superar as soluções Figure e Helix" e de "primeira demonstração mundial de dobra autônoma de roupas com mãos hábeis" são alegações unilaterais da fonte, sem reprodução por terceiros ou comparação de métricas, e não devem ser citadas como conclusões verificadas. Além disso, esse tipo de demonstração costuma ocorrer em cenários controlados; se a continuidade entre ambientes se mantém de forma estável em ambientes domésticos reais não estruturados, a fonte não apresenta taxa de falha, número de tentativas nem informação sobre cortes de edição, de modo que não convém inferir maturidade de engenharia a partir disso. Para desenvolvedores do lado de modelos, a lição mais prática é a relação entre a taxa de sucesso por passo e a degradação da taxa de sucesso global em tarefas de longa duração, e se mecanismos do tipo revisão de estado podem mitigar pausas nas junções de ações; esses dois pontos têm estrutura de problema semelhante à orquestração de cadeias longas de agentes e podem servir como referência analógica, mas não equivalem a uma solução técnica diretamente reutilizável.
Integração e avaliação
O que segue é análise e recomendação condicionais, não fatos declarados pela fonte. Primeiro, se sua equipe trabalha com orquestração de agentes de cadeia longa ou tarefas robóticas, vale comparar com a revisão de estado de movimento de curto e longo prazo e a divisão de ações em tempo real descritas pela fonte: incluir a trajetória em execução no contexto ao gerar o próximo trecho de ação. Se vale a pena adotar depende do comprimento da sua cadeia de tarefas — quando a taxa de sucesso por passo é alta, mas a taxa de sucesso ponta a ponta decai claramente com o número de passos, esse tipo de mecanismo de encadeamento de estado tende a render mais; o critério de avaliação pode ser a curva de taxa de sucesso ponta a ponta da mesma tarefa ao passar de três para dez passos, observando se a inclinação de degradação é achatada. Segundo, se sua equipe se interessa por manipulação de objetos flexíveis ou deformáveis, a fonte lista como principais dificuldades a mudança contínua de forma do objeto, perturbações externas e coordenação entre dois robôs; a escolha correspondente é investir em malha fechada de percepção ou depender de trajetórias predefinidas. Quando o objeto manipulado é deformável, como roupas, e há fontes de perturbação no cenário, como suportes oscilantes ou objetos em movimento, a estratégia de percepção em malha fechada tende a funcionar melhor; o critério de avaliação pode ser a queda da taxa de sucesso da tarefa em relação à linha de base sem perturbação após introduzir perturbações artificiais, por exemplo, se a queda da taxa de sucesso ao balançar o suporte ou alterar a posição inicial do objeto fica dentro de um intervalo aceitável. Terceiro, se sua equipe considera reproduzir uma arquitetura estratificada semelhante, é preciso primeiro esclarecer se possui as condições para coletar de forma unificada dados de demonstração de treinamento e de execução autônoma: a fonte afirma que o GAE assume simultaneamente as duas fases de controle — coleta de demonstrações e execução autônoma — compartilhando a mesma base de controle; essa premissa não se sustenta em equipes que só têm dados do lado de inferência e não possuem cadeia de dados de teleoperação do próprio corpo, e nesse caso não convém copiar o esquema estratificado. Nenhuma das recomendações acima implica que a fonte tenha fornecido os dados correspondentes.
Limites e pontos a confirmar
É preciso deixar claro: esta versão do WR1 não está atualmente listada na plataforma KimiSeek; o que este site lista são modelos de linguagem e multimodais como DeepSeek, Qwen, GLM e Kimi, que pertencem a uma categoria diferente dos sistemas de inteligência incorporada; se a fonte mencionar posteriormente qualquer API ou disponibilidade comercial, isso se refere ao lado do fabricante e não a este site, e a cobrança e as formas de abertura específicas devem seguir as declarações oficiais do fabricante. A fonte é uma divulgação da própria empresa, e a demonstração é uma exibição de desempenho auto-relatada, sem reprodução por terceiros, estatísticas de taxa de falha, número de tentativas ou explicação independente sobre eventuais cortes de edição; expressões da reportagem como "primeiro do mundo" e "superar a solução Helix" são alegações unilaterais da fonte e não devem ser citadas como fatos verificados. A fonte não divulgou o número de parâmetros do WR1, o volume de dados de treinamento, a latência de inferência, se os pesos são abertos ou se há API, nem o custo de hardware e as condições de implantação usados na demonstração, de modo que não é possível avaliar sua disponibilidade de engenharia ou grau de reprodutibilidade. A data de publicação desta reportagem é 10 de outubro de 2026; a fonte não informa separadamente as datas específicas de filmagem e publicação da demonstração, e os marcos temporais relevantes devem seguir as declarações mais recentes dos canais oficiais da West Lake Robotics.