ACE-Brain-0.6 bat GPT-6 Astra sur six des huit tests d'ancrage, mais son avance sur la moyenne des sept benchmarks publics n'est que de 0,85 point

ACE Robotics a publié le 19 octobre ACE-Brain-0.6, un modèle de fondation pour robots de 9 Md de paramètres que l'entreprise présente comme conçu pour l'ancrage spatial visuel. Dans les tests rapportés par ACE, il bat GPT-6 Astra, d'OpenAI, sur six des huit évaluations d'ancrage, avec un écart de 5,45 points sur Where2Place et de 5,27 sur RoboSpatial. Le modèle succède à ACE-Brain-0.5 et repose sur Qwen3.5-9B.

Le chiffre le plus serré est la moyenne sur les sept benchmarks publics : 74,53 pour 0.6 contre 73,68 pour Astra, soit 0,85 point d'avance. L'expérience de scaling d'ACE attribue le gain à la pipeline de données. À architecture et méthode d'entraînement constantes, le corpus est passé de 260 000 à environ 1 million d'échantillons, ce qui a fait monter cette moyenne de 69,3 à 74,5, selon une progression à peu près log-linéaire d'environ 2,4 points par doublement. Des échantillons supplémentaires des types existants ont rapporté moins d'un point. La croissance s'est accompagnée de nouvelles scènes, de nouvelles relations spatiales et de nouvelles formes de supervision. C'est donc la pipeline, plutôt que le modèle 9B, qu'il vaut la peine de tester.

Un million d'échantillons, 2,7 millions de paires question-réponse

Le jeu d'entraînement couvre environ 940 000 images distinctes et 2,7 millions de paires question-réponse. ACE a réuni plus de 30 familles de jeux de données robotiques open source, des données égocentriques privées, des données d'interaction humaine à la première personne, des annotations denses d'objets et de pièces, et des données spatiales 3D. Pour les vidéos de manipulation, la pipeline sélectionne des images clés d'après l'état de la pince et l'amplitude du mouvement, construit automatiquement un vocabulaire d'objets de la scène et s'appuie sur Grounding DINO et SAM 3 pour la localisation, la reconnaissance de régions et la correction sémantique. Elle génère ensuite des paires question-réponse de désignation, de comptage, de relation spatiale, de localisation d'interaction et de cible absente. Des contrôles d'annotation, un équilibrage des réponses et l'exclusion des données d'évaluation servent à limiter la supervision erronée et l'apprentissage de raccourcis. À l'entraînement, l'encodeur visuel reste gelé et seuls les paramètres du modèle de langue passent par un affinage supervisé, précise ACE.

D'après l'analyse d'ACE, l'ancrage visuel d'Astra a nettement progressé par rapport à GPT-5.5, mais la localisation géométrique fine et les relations spatiales complexes le mettent encore en échec, par exemple lorsqu'il place « la place libre devant un objet » dans une zone voisine. La huitième évaluation est la sienne : RobotGrounding, 2 591 questions réparties en 14 types de tâches, dont la localisation de cible, la reconnaissance de petits objets, le comptage de plusieurs instances, le jugement d'absence de cible et la correspondance entre caméras. ACE-Brain-0.6 y devance Astra de 3,03 points, un écart plus étroit que sur Where2Place et RoboSpatial, deux benchmarks publics. ACE insiste sur les cas de cible absente, où le modèle doit signaler qu'un objet est absent plutôt que produire une position plausible mais fausse. L'entreprise a aussi comparé 0.6 à Claude Opus 5.5, à Gemini 4 Argon, à des modèles d'Alibaba DAMO Academy et de BAAI ainsi qu'à plusieurs modèles open source d'IA incarnée ; selon ACE, 0.6 est arrivé en tête de ces comparaisons.

Tous les scores de cet article viennent d'ACE. Les deux benchmarks publics où Astra est passé devant ne sont pas nommés dans les comptes rendus de Leiphone, Xinmin Evening News et IT Home, et la page Hugging Face d'ACERobotics listait ACE-Brain-0 et ACE-Brain-0.5 le 19 octobre, sans ACE-Brain-0.6.