Le modèle GO-3 Preview d'AgiBot a fait passer un robot de supérette de 28,6 % à 85,7 % de réussite en cinq jours, et sera ouvert en fin d'année

Ce qu'AgiBot met en avant dans son nouveau modèle de fondation pour robots, c'est ce qu'il apprend une fois au travail. Yao Maoqing, cofondateur et coprésident, a dévoilé GO-3 Preview lors de l'Innovation Day de l'entreprise le 29 octobre. Dans une supérette de Shanghai, un robot G2 doté du nouveau système et du cadre d'agents Genie Master a emballé des plats préparés, récupéré des articles et réapprovisionné les rayons. Selon AgiBot, son taux de réussite sur l'ensemble de la tâche est passé de 28,6 % le premier jour à 85,7 %, stable, au bout de cinq jours, sans démonstration humaine ni réglage manuel.

Le produit, c'est cette boucle. AgiBot associe GO-3 à Genie Evolver, un système de post-entraînement qui s'appuie sur une centaine de robots réels, de la simulation physique et des modèles du monde, et à Genie Master, qui permet à un robot déployé d'organiser des tâches longues et de garder ce qu'il apprend sur place. « Une démo teste le plafond d'une seule capacité ; la productivité teste le plancher du système », a déclaré Yao, selon Sina Tech. AgiBot prévoit de publier GO-3 Preview et Genie Master en open source d'ici fin 2026.

Les deux chiffres de la supérette sont des septièmes

28,6 % et 85,7 % valent exactement 2/7 et 6/7. Cela correspond à sept exécutions complètes par jour, ou à un multiple de sept : le gain sur cinq jours peut donc reposer sur quelques dizaines d'essais. Si la courbe tient sur des centaines d'exécutions, la vitesse à laquelle un modèle progresse en poste deviendra le chiffre à comparer entre modèles de robots ; sinon, le résultat de la supérette restera une démo avec une courbe.

Les autres démonstrations d'apprentissage d'AgiBot vont dans le même sens. Sur une tâche donnée, selon l'entreprise, l'apprentissage en ligne a dépassé de 17,7 points le fine-tuning supervisé classique (SFT). Après quatre heures d'entraînement en ligne, un robot a battu la moyenne des humains testés au curling de table, et il a retiré cinq blocs d'affilée d'une tour sans la faire tomber.

Plus de données et un modèle plus grand font monter la courbe zero-shot

AgiBot a aussi présenté des résultats de mise à l'échelle issus de ses propres expériences. Davantage de données d'entraînement ont porté le taux de réussite moyen zero-shot sur 100 tâches de 20 types de compétences de 13,4 % à 56,4 %, et un modèle plus grand l'a fait passer de 56,2 % à 73,2 %, rapporte Sina Tech. L'architecture, qu'AgiBot appelle WRAM (World Reasoning Action Model), modélise ensemble compréhension, prédiction et action, et apprend à partir de vidéos humaines à la première personne et de trajectoires de robots, selon Interesting Engineering. AgiBot affirme qu'elle réduit l'entrée visuelle à un seizième des tokens de DINOv3, abaisse de 35 % l'erreur de reconstitution des actions, et que GO-3 Preview est en tête des classements RoboDojo, RoboTwin et RoboColiseum.

L'échantillon plus large arrive vite. AgiBot a prévu de faire travailler six robots G2 pendant 24 heures dans une vraie supérette les 2 et 3 novembre, sur quatre équipes, en direct. Une journée de service fera bien plus de sept essais.