LoopWAM gagne 19.7 points sur des robots réels en se réentraînant sur ses propres rollouts étiquetés

LoopWAM est un modèle world-action en boucle fermée de l'université Tsinghua, de Dexmal et de Loopeva, avec 14 auteurs et Xiuwei Xu, Meng Zhang et Jiwen Lu comme auteurs correspondants. L'équipe l'a mis sur arXiv le 13 octobre 2026 et l'a révisé le 15 octobre, avec le code sur GitHub. Sur les 50 tâches bimanuelles de RoboTwin 2.0, il annonce 94.5 % de réussite moyenne sans préentraînement incarné supplémentaire, devant LingBot-VA 2.0 à 93.6 % et π0.5 à 79.8 % dans le même tableau.

Les rollouts de qualité inégale, ratés compris, ne rapportent qu'une fois étiquetés, et des étiquettes grossières suffisent : les mêmes données RoboTwin donnent 72.3 % sans pilotage par la qualité et 92.8 % avec des étiquettes à trois niveaux, et une supervision d'action pondérée par la qualité sur les rollouts porte ce chiffre à 93.6 %. La couronne sur robot réel est ténue en comparaison, 2.67 points devant le DM0.5 de Dexmal sur un benchmark que Dexmal a contribué à lancer et 0.33 point face aux 43.0 % que Dexmal publie pour DM0.5. Elle n'apparaît qu'après trois cycles de déploiement, d'un modèle parti 17 points derrière.

Les exécutions ratées entraînent le modèle du monde, pas le bras

Chaque trajectoire de l'ensemble d'entraînement reçoit un score de qualité numérique attaché à son texte d'instruction, écrit « Quality: q », et au déploiement le modèle est conditionné sur le score d'expert pour être orienté vers le comportement expert. La prédiction vidéo est supervisée sur toutes les trajectoires, ratés compris. L'apprentissage par imitation d'action est pondéré par la qualité : les trajectoires expertes reçoivent une supervision d'action complète, les ratées aucune, leurs actions ne sont donc jamais copiées alors qu'elles entraînent tout de même le modèle du monde à prédire ce qui suit une action. Les auteurs débruitent les tokens vidéo et d'action dans un même processus parallèle, si bien que les conséquences prédites alimentent directement la génération d'action, et une étape d'« échantillonnage de bruit dépendant de la source » laisse les actions de rollout enregistrées guider la prédiction de leurs conséquences observées.

L'ablation montre à quel point les étiquettes peuvent être grossières. Sans pilotage par la qualité, la moyenne RoboTwin est de 72.3 %. Des marqueurs très grossiers, où chaque rollout raté est bas, chaque réussite moyen et chaque expert haut, atteignent 92.8 % sans supervision d'action sur les rollouts et 93.6 % avec. Un score numérique par checkpoint de policy, avec les échecs au minimum, atteint 92.7 % sans et 94.5 % avec, la méthode complète. Les auteurs indiquent que le schéma grossier demande une seule annotation humaine par checkpoint, et concluent qu'une annotation fine n'est pas nécessaire pour profiter du pilotage, qu'ils appellent l'ingrédient clé.

Trois cycles de déploiement ajoutent 19.7 points, et le plus grand bond est le deuxième

Le volet matériel est Table30-V2 de RoboChallenge, un benchmark sur robots réels de 30 tâches de manipulation sur table réparties sur quatre embodiments, ALOHA, DOS-W1, ARX5 et UR5, dont le rapport technique est signé RoboChallenge Dexmal Team. Les auteurs ont entraîné un LoopWAM multi-tâches par embodiment sur des démonstrations expertes, puis mené trois cycles de déploiement. Chaque cycle a collecté environ 100 trajectoires de rollout par tâche, les a annotées par qualité et s'est réentraîné sur les données expertes plus chaque rollout antérieur.

La réussite globale est passée de 23.67 % à 28.00 %, 37.67 % puis 43.33 %, un gain de 19.7 points de pourcentage, tandis que le score global passait de 36.10 à 42.63, 51.65 puis 56.80. Les gains de réussite par cycle ont été de 4.33, 9.67 et 5.66 points, le deuxième cycle a donc porté le plus. Selon la procédure des auteurs, 100 rollouts par tâche sur 30 tâches représentent environ 3,000 trajectoires par cycle, soit environ 9,000 sur les trois cycles.

L'avance sur Table30-V2 est de 2.67 points, ou 0.33 selon le décompte de Dexmal

LoopWAM se classe premier en réussite comme en score parmi les entrées de classement que l'article compare, le deuxième VLA-DM0.5 affichant 40.67 % de réussite et 54.42 de score, soit une avance de 2.67 points de réussite au relevé consulté le 22 septembre 2026. La propre page de Dexmal pour DM0.5, un VLA doté d'un backbone vision-langage Gemma3 4B et d'un expert d'action de 680M, annonce 43.0 % de réussite et le même score de 54.42, et face à ce chiffre publié l'avance de LoopWAM tombe à 0.33 point.

Par embodiment, le résultat se divise. LoopWAM passe devant sur ALOHA, 26.00 % contre 18.00 %, et sur UR5, 76.67 % contre 70.00 %, et fait match nul avec DM0.5 sur DOS-W1 à 42.00 %. Sur ARX5, il perd, 55.71 % contre 58.57 %.

L'argument le plus fort contre ce classement est la ligne de départ. Avant tout cycle de déploiement, le LoopWAM entraîné sur experts pointait à 23.67 %, 17 points derrière les 40.67 % de DM0.5, et il a fallu les trois cycles pour le dépasser. Dexmal, fondée en mars 2025 et basée à Pékin, a co-lancé RoboChallenge, et DOS-W1 est son propre matériel open source.

La même recette accepte les rollouts d'autres policies déployées, même peu performantes, si bien qu'une policy généraliste peut s'entraîner sur les erreurs d'une autre. Sur RoboTwin 2.0, il s'est entraîné sur 22,500 trajectoires de rollout issues de lui-même, de X-VLA et de π0.5 sur 50 tâches et trois policies ; sur RoboCasa365, il a utilisé les rollouts de lui-même et de RLDX-1.

L'approche de Physical Intelligence est le point de référence le plus proche. Les auteurs écrivent que π0.6 utilise l'apprentissage conditionné par l'avantage pour intégrer l'expérience autonome et les interventions, et que π0.7 utilise des métadonnées de qualité, de vitesse et d'erreur pour absorber des données de qualité inégale, et ils soutiennent que ces méthodes n'ont pas d'objectif explicite pour la dynamique physique dans les transitions action-vidéo ; un rollout raté y donne donc une cible de comportement sans apprendre au modèle les conséquences de ce comportement. La bêta de l'API de Pi, annoncée le même jour que le preprint, décrit une boucle consistant à collecter des démonstrations, entraîner un modèle, le tester sur le robot et se servir des échecs pour décider quelles données collecter ensuite.

Le transfert zero-shot est le point le plus faible de l'article. Sur les 16 tâches Composite-Unseen de RoboCasa365, mises de côté pour l'évaluation zero-shot, LoopWAM a obtenu 14.9 %, sous les 18.8 % de PRTS dans le même tableau, bien qu'il ait encore mené le benchmark au global avec 49.5 % contre 46.6 % pour ABot-M0.6. Si ces 14.9 % sur des tâches simulées mises de côté se transposent à de nouvelles cuisines, l'avantage du modèle du monde reste lié aux configurations qu'il a déjà vues.

Le pliage de chemises est la seule tâche qui montre la boucle de bout en bout. Sur DOS-W1, après un post-entraînement mono-tâche, la policy pliait les chemises à 13.20 % de réussite, et deux cycles de déploiement ont porté ce chiffre à 32.54 % puis 55.56 %, le score passant de 14.44 à 38.89 puis 67.78. C'est plus de quatre fois le taux de réussite de départ sur une tâche à objet déformable qui demande plusieurs étapes.