Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
In one of SenseTime's tests, stacking bowls took a model about 131 minutes and roughly $19 in estimated inference costs, the price of running the model on the task. Putting a pen into a pen holder took 263 minutes and about $55. Those were the bills for pushing GPT-6-Astra, a large AI model, to succeed on robot tasks once it was given training demonstrations and more steps. SenseTime has now put the tools for measuring that gap online, along with a model of its own.
En una de las pruebas de SenseTime, apilar cuencos tardó a un modelo unos 131 minutos y unos 19 dólares en costes estimados de inferencia, es decir, el precio de ejecutar el modelo en la tarea. Meter un bolígrafo en un portalápices tardó 263 minutos y unos 55 dólares. Esas fueron las facturas de llevar a GPT-6-Astra, un gran modelo de IA, a completar tareas robóticas cuando recibió demostraciones de entrenamiento y más pasos. SenseTime ha puesto ahora en línea las herramientas para medir esa brecha, junto con un modelo propio.
SenseTime has open-sourced SenseNova-RoboRSI, a framework for evaluating embodied AI, meaning AI systems that control a physical body, here robots. It ships with a companion model, SenseNova-RoboRSI-27B-Preview, where 27B refers to a size of 27 billion parameters, the adjustable values inside a model. The framework packages each benchmark, a standardized test, and its dependencies into a separate Docker image, a sealed software container. It then exposes simulation and scoring through a unified HTTP API, the standard way programs exchange data over the web. SenseTime says researchers can run end-to-end evaluations from a configuration file, without installing each simulator by hand.
SenseTime ha publicado en abierto SenseNova-RoboRSI, un marco para evaluar la IA encarnada, es decir, sistemas de IA que controlan un cuerpo físico, en este caso robots. Viene acompañado de un modelo complementario, SenseNova-RoboRSI-27B-Preview, donde 27B indica un tamaño de 27.000 millones de parámetros, los valores ajustables que contiene un modelo. El marco empaqueta cada prueba de referencia, un test estandarizado, y sus dependencias en una imagen Docker independiente, es decir, un contenedor de software aislado. Después expone la simulación y la puntuación a través de una API HTTP unificada, la forma habitual en que los programas intercambian datos por la web. SenseTime afirma que los investigadores pueden ejecutar evaluaciones completas desde un archivo de configuración, sin instalar cada simulador a mano.
The extended-budget results are where the study gets concrete. With training demonstrations and step limits raised to as much as 10 times the official settings, GPT-6-Astra saturated the LIBERO and SIMPLE benchmarks, meaning it hit their ceiling, and reached an 81.9% success rate on RoboDojo. In one case, nine RoboDojo tasks that had failed in all five attempts succeeded in all five once the model was allowed to keep interacting. The same study found its limits: the model remained weakest on long-horizon tasks, struggled to transfer skills from one task to another, and had trouble with deformable objects and fine control on real robots.
Los resultados con presupuesto ampliado son donde el estudio se vuelve concreto. Con demostraciones de entrenamiento y límites de pasos elevados hasta 10 veces los ajustes oficiales, GPT-6-Astra saturó los benchmarks LIBERO y SIMPLE, lo que significa que alcanzó su techo, y logró una tasa de éxito del 81,9 % en RoboDojo. En un caso, nueve tareas de RoboDojo que habían fallado en los cinco intentos tuvieron éxito en los cinco una vez que se le permitió seguir interactuando. El mismo estudio también halló sus límites: el modelo siguió siendo más débil en tareas de largo horizonte, le costó transferir habilidades de una tarea a otra y tuvo dificultades con los objetos deformables y el control fino en robots reales.
SenseTime then paired a slow reasoning model with a fast action model. The best combination reached 54% success across 42 RoboDojo tasks, using a closed loop that checks each result before the next step. SenseTime says cost remains an issue.
Después, SenseTime combinó un modelo de razonamiento lento con un modelo de acción rápido. La mejor combinación alcanzó un éxito del 54 % en 42 tareas de RoboDojo, usando un bucle cerrado que verifica cada resultado antes del siguiente paso. SenseTime afirma que el coste sigue siendo un problema.
The 27B model aims to bake tested experience into its weights, the internal values that define a model, so that it needs less trial and error. SenseTime reports it scored 26.13 on RoboDojo with a 20.83% task success rate, topped 90 on LIBERO-Pro, and raised its RoboCasa365 success rate from 26.0% to 46.5% while cutting token use by 73%. Tokens are the small chunks of text a model processes, so fewer tokens means less computation per task. The company says it completes embodied tasks at one-fiftieth of GPT-6-Astra's cost.
El modelo de 27B pretende incorporar la experiencia probada a sus pesos, los valores internos que definen un modelo, de modo que necesite menos ensayo y error. SenseTime indica que obtuvo 26,13 puntos en RoboDojo con una tasa de éxito de tareas del 20,83 %, superó los 90 puntos en LIBERO-Pro y elevó su tasa de éxito en RoboCasa365 del 26,0 % al 46,5 % mientras reducía el uso de tokens un 73 %. Los tokens son los pequeños fragmentos de texto que procesa un modelo, así que menos tokens significa menos cálculo por tarea. La empresa afirma que completa las tareas encarnadas a una cincuentava parte del coste de GPT-6-Astra.
For robotics teams, the change is practical and immediate: the test bench is downloadable now, so two labs can run the same benchmarks from the same configuration file instead of rebuilding each simulator. SenseTime also argues that future benchmarks should be built around real human needs, that robots should learn by interacting, and that thinking time should count as world time, since a pan keeps heating while a model deliberates. None of these numbers has been independently verified, and the cost per task, which the company itself flags, is still the open problem.
Para los equipos de robótica, el cambio es práctico e inmediato: el banco de pruebas ya se puede descargar, de modo que dos laboratorios pueden ejecutar los mismos benchmarks desde el mismo archivo de configuración en lugar de reconstruir cada simulador. SenseTime sostiene además que los futuros benchmarks deberían construirse en torno a necesidades humanas reales, que los robots deberían aprender interactuando y que el tiempo de razonamiento debería contar como tiempo del mundo real, ya que una sartén sigue calentándose mientras el modelo delibera. Ninguna de estas cifras ha sido verificada de forma independiente, y el coste por tarea, que la propia empresa señala, sigue siendo el problema pendiente.