EmbodiedMind, da ZTE, move o cálculo de vantagem do GRPO para o prefixo de ações: treino em três fases de um modelo incorporado de 8B e pontos verificáveis
Segundo um texto da ZTE publicado pela Machine Heart em 6 de novembro de 2026 na forma de «lançamento», o artigo EmbodiedMind propõe um paradigma de treinamento em três fases — RSFT, IR-GRPO e Trie-GRPO —, afirma que o modelo de 8B alcança média de 70,02% em 18 benchmarks de IA incorporada e melhora a precisão de planejamento de longo horizonte em 30,31% frente ao melhor método atual, e diz ainda que o Nebula-EmbodiedBrain-180B ficou empatado em primeiro lugar nacional no ranking de cérebro incorporado do SuperCLUE de setembro; o texto original não menciona abertura de pesos, código ou API.
O que mudou
Em 6 de novembro de 2026, a Machine Heart publicou, na forma de «lançamento», um texto da ZTE sobre modelos incorporados. Segundo esse texto, o artigo da equipe da ZTE, «EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence», propõe um paradigma de treinamento em três fases: primeiro o RSFT estratifica as amostras conforme o resultado de múltiplas inferências com coeficiente de temperatura alto — todas corretas viram amostras simples, parcialmente corretas viram amostras incertas e todas erradas viram amostras difíceis —, e o conjunto de treino mantém apenas as amostras incertas e uma proporção de amostras simples; em seguida o IR-GRPO mantém uma fila FIFO independente para cada tipo de tarefa, suaviza por média móvel exponencial a proporção de amostras válidas de cada tarefa e ajusta dinamicamente a cota de amostragem da rodada seguinte; por fim o Trie-GRPO insere em paralelo todas as trajetórias amostradas em uma árvore de prefixos de ações, em que trajetórias que compartilham o mesmo prefixo histórico formam subgrupos irmãos no ponto de bifurcação, a vantagem relativa é calculada apenas entre nós irmãos e o retorno descontado é propagado de volta ao longo do caminho da árvore, filtrando amostras de vantagem próxima de zero para controlar o custo de exploração. O texto afirma que o EmbodiedMind-8B, com apenas 522 mil amostras de treino, obtém média de 70,02% em 18 benchmarks que cobrem compreensão multimodal geral, raciocínio espacial 2D, medição espacial 3D e planejamento de tarefas, e melhora a precisão de planejamento de longo horizonte em 30,31% em relação ao melhor método atual; o artigo foi submetido ao ICRA 2027. O texto traz ainda algumas comparações específicas: 66,67 no VLM-PlanSim-99, com até 25 passos, superando o Cosmos3-Nano; taxa de sucesso de 60,45% no ALFWorld-thor, contra 46,27% do SEEA-R1; em 50 cenários de mesa e 160 vídeos de monitoramento de execução de tarefas construídos com base no AgiBot A2, o planejamento de organização de mesa chega a 62,00% (contra 40,00% do Qwen3-VL-8B) e a precisão do monitoramento de execução de tarefas é de 55,31% (contra 46,88%). O mesmo texto afirma ainda que o Nebula-EmbodiedBrain-180B, com 77,48 pontos, ficou empatado em primeiro lugar nacional com o Qwen3.8-Max-0902 no ranking de cérebro incorporado EmbodiedCLUE-VLA do SuperCLUE de setembro de 2026, com 97,92 pontos no item individual de segurança incorporada.
Impacto para desenvolvedores
É preciso separar primeiro «o que dá para integrar» de «o que dá para aproveitar». O texto original não menciona abertura de pesos, repositório de código ou interface hospedada do EmbodiedMind-8B nem do Nebula-EmbodiedBrain-180B, portanto esses dois nomes hoje não correspondem a nada que possa ser chamado diretamente ou implantado localmente; o que este texto pode analisar são o método de treinamento e os critérios de avaliação. Se você faz pós-treinamento por aprendizado por reforço em modelos incorporados ou VLA, definir o «grupo» no nível da trajetória inteira ou no nível do prefixo de ações muda diretamente a composição do gradiente de trajetórias fracassadas: segundo a explicação do texto original, a vantagem em nível de trajetória penaliza junto as ações intermediárias corretas de uma trajetória que termina em fracasso, enquanto a árvore de prefixos limita a comparação aos nós irmãos e filtra amostras de vantagem próxima de zero em troca de um custo de exploração suportável. Essa mudança não depende de uma base específica e, em princípio, pode ser levada para uma implementação própria da família GRPO, ao custo de exigir capacidade de amostragem por bifurcação no ambiente. Para quem se dedica mais à avaliação, outra pista utilizável é o ranking de terceiros: o critério do SuperCLUE de setembro coloca modelos de nível 180B na mesma faixa de modelos com 2,4T de parâmetros, e o texto deixa claro que modelos internacionais de referência não participam do ranking nacional, mas as pontuações de referência que ele lista (GPT-6 Astra 86,75 e Gemini-3.8-Flash 82,12) são superiores a 77,48; ao ler o ranking, é preciso separar o escopo da classificação da pontuação absoluta. No geral, trata-se de um avanço em nível de método, não de um lançamento de modelo prontamente integrável.
Integração e avaliação
O que segue são sugestões condicionais, não fatos relatados. Sugestão um: mudar ou não o agrupamento de vantagem do GRPO da trajetória inteira para o prefixo de ações. A mudança relatada no texto original é o Trie-GRPO: o GRPO padrão aplica a vantagem em nível de trajetória de forma uniforme a todos os tokens, de modo que uma trajetória que acaba fracassando pune também decisões intermediárias corretas; a árvore de prefixos faz com que trajetórias que compartilham o mesmo prefixo histórico formem subgrupos irmãos no ponto de bifurcação e calcula a vantagem relativa normalizada apenas entre nós irmãos. A escolha a fazer é se o pós-treinamento por RL de tarefas de múltiplos passos agrupa por trajetória ou por prefixo de ações reproduzível. A premissa para mudar essa escolha são a capacidade do ambiente e a duração das tarefas: o agrupamento por prefixo só faz sentido quando o simulador ou o ambiente real consegue reiniciar a partir de um estado intermediário e bifurcar com o mesmo prefixo, e quando é possível amostrar irmãos suficientes sob o mesmo prefixo para a normalização; quando as tarefas têm em geral um ou dois passos, ou o ambiente não consegue bifurcar do meio, o agrupamento por trajetória é mais fácil de implementar. O critério mensurável é rodar os dois grupos de RL, com o mesmo orçamento de amostragem, em um conjunto de avaliação de longo horizonte com mais de 10 passos, comparando a taxa de sucesso final e a precisão passo a passo; os 30,31% do texto original são o critério de ganho dos autores e não podem ser tomados diretamente como o ganho que você deve esperar. Sugestão dois: acrescentar ou não uma etapa de filtragem por incerteza antes do treinamento. O que o texto original relata é o RSFT: múltiplas inferências com coeficiente de temperatura alto dividem as amostras em três classes — todas corretas, parcialmente corretas e todas erradas —, e o conjunto de treino mantém apenas as amostras parcialmente corretas e uma proporção de amostras simples, excluindo por ora as amostras totalmente erradas. A escolha a fazer é se essa filtragem entra antes do SFT e quanto de amostras simples manter. A premissa é ter sinal de correção suficientemente confiável, pois a estratificação depende inteiramente do julgamento de «certo/errado»; com muito ruído na correção, a própria classificação se distorce, e as várias inferências de temperatura alta custam uma despesa inicial de inferência. O critério mensurável é registrar o número de amostras válidas após a filtragem e as rodadas de treino, comparar com um SFT sobre o corpus completo as notas de avaliação de cada tipo de capacidade e observar desde cedo se aparecem sinais de colapso de distribuição, como queda abrupta da diversidade de saídas. Sugestão três: acrescentar ou não uma camada de cota por tarefa à amostragem dinâmica. O que o texto original relata é o IR-GRPO: manter uma fila FIFO independente para cada tipo de tarefa, suavizar por média móvel exponencial a proporção de amostras válidas de cada tarefa e ajustar dinamicamente a cota de amostragem da rodada seguinte. A escolha a fazer é se, além da amostragem dinâmica no estilo DAPO, vale acrescentar um controle de cota por rótulo de tarefa. A premissa é que as amostras tenham rótulos de tipo de tarefa confiáveis e que a dificuldade das tarefas seja naturalmente desigual; quando as tarefas são muito homogêneas, o ganho dessa camada é limitado. O critério mensurável é registrar a pontuação de cada tipo de tarefa a cada rodada, verificar se aparece um efeito gangorra em que uma classe sobe e outra cai, e comparar o piso de pontuação do tipo de tarefa com pior desempenho com e sem a cota.
Limites e pontos a confirmar
Este texto foi publicado pela Machine Heart na forma de «lançamento»; o método e os números vêm do artigo da equipe da ZTE e do que o texto afirma, e não houve reprodução independente nem verificação de qualquer item em robôs reais. O estado do artigo é «submetido ao ICRA 2027», não aceito nem submetido a revisão por pares, e as pontuações de benchmark são números declarados pelos autores; o texto também não esclarece se os 30,31% são ganho relativo ou diferença em pontos percentuais, e essa incerteza deve ser mantida ao ler o número. As conclusões em máquina real se apoiam no conjunto de dados A2-Failure, formado por 50 cenários de mesa e 160 vídeos de monitoramento, uma escala limitada de cenários, com efeito de transferência para outros ambientes desconhecido. O ranking do SuperCLUE é o de setembro de 2026, anterior à data de publicação do texto, e o próprio texto deixa claro que modelos internacionais aparecem apenas como referência e não participam do ranking nacional; as pontuações do ranking não podem ser tratadas como conclusão duradoura ao longo do tempo. O texto original não menciona abertura de pesos, código ou API; em uma verificação do catálogo online do KimiSeek feita em 12 de novembro de 2026, nem o EmbodiedMind-8B nem o Nebula-EmbodiedBrain-180B estavam incluídos, e, caso surja no futuro uma interface hospedada, sua disponibilidade seguirá o critério do provedor.