Los agentes de programación ya escriben programas para robots de fábrica a cinco puntos de un humano, según un benchmark de Berkeley y NVIDIA

Los agentes de programación con IA que escriben el código de un robot, en lugar de aprender su comportamiento a partir de datos recopilados, quedaron a cinco puntos de un programador humano en un nuevo conjunto de tareas de fábrica de UC Berkeley y NVIDIA. En VABAR, un benchmark cuyo código los equipos publicaron el 9 de noviembre, ocho modelos escribieron programas para cinco tareas, entre ellas colgar herramientas, empaquetar jeringas e insertar cables USB-C. Todos usaron la misma biblioteca de 33 habilidades y recibieron dos rondas de retroalimentación de un simulador físico. Claude Opus 5.5 acertó el 77% de las veces en total; el programa de referencia escrito por una persona, el 82%. El grupo de Ken Goldberg y NVIDIA presentaron el trabajo esta semana en CoRL 2026, en Austin, según informó The Robot Report el 11 de noviembre.

En trabajos donde las piezas cambian pero la celda de trabajo es conocida, eso convierte al código en una vía más práctica que los modelos robóticos de extremo a extremo. La palanca es qué modelo de programación se elige. "Modelos que empiezan a pocos puntos unos de otros terminan separados por 30 puntos tras dos rondas de retroalimentación", dice la página de VABAR. Tras esas rondas, los ocho iban del 77% al 44% de DeepSeek V4.

Basta con mover las piezas para que los VLA se queden atrás

El sistema detrás de VABAR, Graph-as-Policy (GaP), divide una tarea en nodos de percepción, agarre y planificación de movimiento. Los agentes los escriben y los conectan, y ensayan las variantes en simulación antes de que el programa corra en un robot real. El resultado es código Python que llama a los módulos existentes de un fabricante, como los de KUKA, para el control de bajo nivel. En las pruebas simuladas del artículo de GaP, los modelos visión-lenguaje-acción rindieron bien cuando los objetos apenas se movían: π0.5 obtuvo 0,96 y MolmoAct2 0,97 en LIBERO, frente a 0,95 de GaP. Cuando los autores permutaron las posiciones de los objetos, π0.5 cayó a 0,15 y MolmoAct2 a 0,26, mientras GaP se mantuvo en 0,97. En una tarea real de lavado de cajas con dos brazos, GaP acertó en 143 de 150 intentos, frente a 148 de un programa ajustado a mano por un experto, y completó 18,33 ciclos con éxito por hora frente a 19,33.

La industria ya lo está probando. Bosch lo evalúa para automatización industrial, según The Robot Report. Jeff Mahler, cofundador de Ambi Robotics, empresa a la que asesora Goldberg, dijo que el método "convirtió datos de producción en actualizaciones del comportamiento del robot, aumentando el rendimiento de toda nuestra flota en EE. UU.".

El argumento en contra está en quién puso las notas. Los mismos laboratorios construyeron el sistema, la biblioteca de habilidades, las tareas y la referencia humana. La persona superó a todos los modelos al colgar herramientas, 87% frente a un máximo de 60%, y solo logró 47% en el tendido de cables, donde los ocho modelos quedaron entre el 72% y el 83%. Los autores de VABAR dicen que llegará un conjunto de pruebas más difícil. Que equipos externos lo ejecuten en sus propias celdas mostrará si la brecha de cinco puntos se sostiene.