LoopWAM gana 19.7 puntos en robots reales al reentrenar con sus propios rollouts etiquetados

LoopWAM es un modelo de mundo-acción en bucle cerrado de la Universidad de Tsinghua, Dexmal y Loopeva, con 14 autores y Xiuwei Xu, Meng Zhang y Jiwen Lu como autores de correspondencia. El equipo lo publicó en arXiv el 13 de octubre de 2026 y lo revisó el 15 de octubre, con el código en GitHub. En las 50 tareas bimanuales de RoboTwin 2.0 reporta un 94.5% de éxito medio sin preentrenamiento corporizado adicional, por delante de LingBot-VA 2.0 con 93.6% y de π0.5 con 79.8% en la misma tabla.

Los rollouts de calidad mixta, con los fallos incluidos, solo rinden cuando están etiquetados, y basta con etiquetas toscas: los mismos datos de RoboTwin dan 72.3% sin orientación por calidad y 92.8% con etiquetas de tres niveles, y la supervisión de acciones ponderada por calidad sobre los rollouts lo eleva a 93.6%. La corona en robots reales es fina en comparación, 2.67 puntos sobre el propio DM0.5 de Dexmal en un benchmark que Dexmal ayudó a lanzar y 0.33 puntos frente al 43.0% que Dexmal publica para DM0.5, y solo aparece tras tres rondas de despliegue, desde un modelo que empezó 17 puntos por detrás.

Los fallos entrenan el modelo de mundo, no el brazo

Cada trayectoria del conjunto de entrenamiento recibe una puntuación de calidad numérica asociada a su texto de instrucción, escrita como «Quality: q», y en el despliegue el modelo se condiciona a la puntuación de experto para orientarse hacia el comportamiento experto. La predicción de vídeo se supervisa en todas las trayectorias, fallos incluidos. El aprendizaje por imitación de acciones se pondera por calidad: las trayectorias expertas reciben supervisión de acción completa y las fallidas ninguna, así que sus acciones nunca se copian aunque siguen entrenando al modelo de mundo para predecir qué ocurre después de una acción. Los autores eliminan el ruido de los tokens de vídeo y de acción en un único proceso paralelo, de modo que las consecuencias predichas alimentan directamente la generación de acciones, y un paso de «muestreo de ruido dependiente de la fuente» permite que las acciones registradas de los rollouts guíen la predicción de sus consecuencias observadas.

La ablación muestra lo toscas que pueden ser las etiquetas. Sin orientación por calidad, la media de RoboTwin es 72.3%. Los marcadores extracrudos, donde cada rollout fallido es bajo, cada éxito medio y cada experto alto, llegan a 92.8% sin supervisión de acción sobre los rollouts y a 93.6% con ella. Una única puntuación numérica por punto de control de la política, con los fallos en el mínimo, llega a 92.7% sin ella y a 94.5% con ella, el método completo. Los autores informan que el esquema tosco necesita una sola anotación humana por punto de control, y concluyen que la anotación fina no es necesaria para beneficiarse de la orientación, que consideran el ingrediente clave.

Tres rondas de despliegue suman 19.7 puntos, y el mayor salto es la segunda

La etapa de hardware es el Table30-V2 de RoboChallenge, un benchmark de robots reales de 30 tareas de manipulación sobre mesa en cuatro encarnaciones, ALOHA, DOS-W1, ARX5 y UR5, cuyo informe técnico firma el RoboChallenge Dexmal Team. Los autores entrenaron un LoopWAM multitarea por encarnación con demostraciones expertas y después ejecutaron tres rondas de despliegue. Cada ronda recogió unas 100 trayectorias de rollout por tarea, las anotó por calidad y volvió a entrenar con los datos expertos más todos los rollouts anteriores.

El éxito global subió de 23.67% a 28.00% a 37.67% a 43.33%, una ganancia de 19.7 puntos porcentuales, mientras que la puntuación global pasó de 36.10 a 42.63 a 51.65 a 56.80. Las ganancias de éxito por ronda fueron de 4.33, 9.67 y 5.66 puntos, así que la segunda ronda fue la que más aportó. Según el propio procedimiento de los autores, 100 rollouts por tarea en 30 tareas son unas 3,000 trayectorias por ronda, o unas 9,000 en las tres rondas.

La ventaja en Table30-V2 es de 2.67 puntos, o 0.33 según el recuento de Dexmal

LoopWAM ocupa el primer puesto tanto en éxito como en puntuación entre las entradas de la clasificación que compara el artículo, con VLA-DM0.5 en segundo lugar con 40.67% de éxito y 54.42 de puntuación, una ventaja de 2.67 puntos de éxito en la instantánea consultada el 22 de septiembre de 2026. La propia página de Dexmal para DM0.5, un VLA con una columna vertebral visión-lenguaje Gemma3 4B y un experto de acción de 680M, reporta 43.0% de éxito y la misma puntuación de 54.42, y frente a esa cifra publicada la ventaja de LoopWAM cae a 0.33 puntos.

Por encarnación el resultado se divide. LoopWAM queda por delante en ALOHA, 26.00% frente a 18.00%, y en UR5, 76.67% frente a 70.00%, y empata con DM0.5 en DOS-W1 con 42.00%. En ARX5 pierde, 55.71% frente a 58.57%.

El argumento más fuerte contra la clasificación es la línea de partida. Antes de cualquier ronda de despliegue, el LoopWAM entrenado con expertos estaba en 23.67%, 17 puntos por detrás del 40.67% de DM0.5, y necesitó las tres rondas para superarlo. Dexmal, fundada en marzo de 2025 y con sede en Pekín, cofundó RoboChallenge, y DOS-W1 es su propio hardware de código abierto.

La misma receta acepta rollouts de otras políticas desplegadas, incluso de bajo rendimiento, así que una política generalista puede entrenarse con los errores de otra. En RoboTwin 2.0 entrenó con 22,500 trayectorias de rollout propias, de X-VLA y de π0.5 en 50 tareas y tres políticas; en RoboCasa365 usó rollouts propios y de RLDX-1.

El enfoque de Physical Intelligence es el punto de referencia más cercano. Los autores escriben que π0.6 usa aprendizaje condicionado por ventaja para incorporar experiencia autónoma e intervenciones, y que π0.7 usa metadatos de calidad, velocidad y error para absorber datos de calidad mixta, y sostienen que esos métodos no llevan un objetivo explícito para la dinámica física en las transiciones acción-vídeo, así que un rollout fallido allí da un objetivo de comportamiento sin enseñar al modelo las consecuencias de ese comportamiento. La beta de la API de Pi, anunciada el mismo día que el preprint, describe un bucle de recoger demostraciones, entrenar un modelo, probarlo en el robot y usar los fallos para decidir qué datos recoger después.

La transferencia zero-shot es donde el artículo es más débil. En las 16 tareas Composite-Unseen de RoboCasa365, reservadas para evaluación zero-shot, LoopWAM obtuvo 14.9%, por debajo del 18.8% de PRTS en la misma tabla, aunque seguía liderando el benchmark en conjunto con 49.5% frente al 46.6% de ABot-M0.6. Si ese 14.9% en tareas simuladas reservadas se traslada a cocinas nuevas, la ventaja del modelo de mundo queda atada a montajes que ya ha visto.

El plegado de camisas es la única tarea que muestra el bucle de principio a fin. En DOS-W1, tras el postentrenamiento de una sola tarea la política plegaba camisas con 13.20% de éxito, y dos rondas de despliegue lo subieron a 32.54% y luego a 55.56%, con la puntuación pasando de 14.44 a 38.89 a 67.78. Eso es más de cuatro veces la tasa de éxito inicial en una tarea con objetos deformables que requiere varios pasos.