LoopWAM ganha 19.7 pontos em robôs reais ao retreinar com seus próprios rollouts rotulados

O LoopWAM é um modelo de ação-mundo em circuito fechado da Universidade de Tsinghua, da Dexmal e da Loopeva, com 14 autores e Xiuwei Xu, Meng Zhang e Jiwen Lu como autores correspondentes. A equipe o publicou no arXiv em 13 de outubro de 2026 e o revisou em 15 de outubro, com o código no GitHub. Nas 50 tarefas bimanuais do RoboTwin 2.0 ele relata 94.5% de sucesso médio sem pré-treinamento corporificado adicional, à frente do LingBot-VA 2.0 com 93.6% e do π0.5 com 79.8% na mesma tabela.

Os rollouts de qualidade mista, com as falhas incluídas, só compensam quando são rotulados, e rótulos grosseiros dão conta: os mesmos dados do RoboTwin marcam 72.3% sem orientação por qualidade e 92.8% com rótulos de três níveis, e a supervisão de ações ponderada por qualidade sobre os rollouts eleva isso a 93.6%. A coroa em robôs reais é fina em comparação, 2.67 pontos acima do próprio DM0.5 da Dexmal num benchmark que a Dexmal ajudou a lançar e 0.33 ponto contra os 43.0% que a Dexmal publica para o DM0.5, e ela só aparece depois de três rodadas de implantação, de um modelo que começou 17 pontos atrás.

Corridas malsucedidas treinam o modelo de mundo, não o braço

Cada trajetória do conjunto de treino recebe uma pontuação de qualidade numérica atrelada ao seu texto de instrução, escrita como "Quality: q", e na implantação o modelo é condicionado à pontuação de especialista para se orientar ao comportamento especialista. A previsão de vídeo é supervisionada em todas as trajetórias, falhas incluídas. O aprendizado por imitação de ações é ponderado por qualidade: trajetórias especialistas recebem supervisão de ação completa e as malsucedidas nenhuma, então suas ações nunca são copiadas embora continuem treinando o modelo de mundo a prever o que acontece depois de uma ação. Os autores removem o ruído dos tokens de vídeo e de ação num único processo paralelo, de modo que as consequências previstas alimentam diretamente a geração de ações, e um passo de "amostragem de ruído dependente da fonte" deixa que as ações registradas dos rollouts guiem a previsão de suas consequências observadas.

A ablação mostra o quão grosseiros os rótulos podem ser. Sem orientação por qualidade, a média do RoboTwin é 72.3%. Os marcadores extragrosseiros, em que cada rollout malsucedido é baixo, cada sucesso médio e cada especialista alto, chegam a 92.8% sem supervisão de ação sobre os rollouts e a 93.6% com ela. Uma única pontuação numérica por ponto de checagem da política, com as falhas no mínimo, chega a 92.7% sem ela e a 94.5% com ela, o método completo. Os autores relatam que o esquema grosseiro precisa de uma única anotação humana por ponto de checagem, e concluem que a anotação fina não é necessária para se beneficiar da orientação, que eles chamam de ingrediente-chave.

Três rodadas de implantação somam 19.7 pontos, e o maior salto é a segunda

A etapa de hardware é o Table30-V2 do RoboChallenge, um benchmark de robôs reais com 30 tarefas de manipulação de mesa em quatro encarnações, ALOHA, DOS-W1, ARX5 e UR5, cujo relatório técnico é do RoboChallenge Dexmal Team. Os autores treinaram um LoopWAM multitarefa por encarnação com demonstrações especialistas e depois rodaram três rodadas de implantação. Cada rodada coletou cerca de 100 trajetórias de rollout por tarefa, anotou-as por qualidade e treinou de novo com os dados especialistas mais todos os rollouts anteriores.

O sucesso geral subiu de 23.67% para 28.00% para 37.67% para 43.33%, um ganho de 19.7 pontos percentuais, enquanto a pontuação geral passou de 36.10 para 42.63 para 51.65 para 56.80. Os ganhos de sucesso por rodada foram de 4.33, 9.67 e 5.66 pontos, então a segunda rodada foi a que mais contribuiu. Segundo o próprio procedimento dos autores, 100 rollouts por tarefa em 30 tarefas são cerca de 3,000 trajetórias por rodada, ou cerca de 9,000 nas três rodadas.

A vantagem no Table30-V2 é de 2.67 pontos, ou 0.33 pela própria contagem da Dexmal

O LoopWAM ocupa o primeiro lugar tanto em sucesso quanto em pontuação entre as entradas do ranking que o artigo compara, com o vice-líder VLA-DM0.5 em 40.67% de sucesso e 54.42 de pontuação, uma vantagem de 2.67 pontos de sucesso no instantâneo acessado em 22 de setembro de 2026. A própria página da Dexmal para o DM0.5, um VLA com backbone visão-linguagem Gemma3 4B e um especialista de ação de 680M, relata 43.0% de sucesso e a mesma pontuação de 54.42, e contra esse número publicado a vantagem do LoopWAM cai para 0.33 ponto.

Por encarnação o resultado se divide. O LoopWAM fica à frente no ALOHA, 26.00% a 18.00%, e no UR5, 76.67% a 70.00%, e empata com o DM0.5 no DOS-W1 em 42.00%. No ARX5 ele perde, 55.71% a 58.57%.

O argumento mais forte contra o ranking é a linha de largada. Antes de qualquer rodada de implantação, o LoopWAM treinado com especialistas estava em 23.67%, 17 pontos atrás dos 40.67% do DM0.5, e precisou das três rodadas para superá-lo. A Dexmal, fundada em março de 2025 e sediada em Pequim, cofundou o RoboChallenge, e o DOS-W1 é seu próprio hardware de código aberto.

A mesma receita aceita rollouts de outras políticas implantadas, mesmo de baixo desempenho, então uma política generalista pode treinar com os erros de outra. No RoboTwin 2.0 treinou com 22,500 trajetórias de rollout próprias, do X-VLA e do π0.5 em 50 tarefas e três políticas; no RoboCasa365 usou rollouts próprios e do RLDX-1.

A abordagem da Physical Intelligence é o ponto de referência mais próximo. Os autores escrevem que o π0.6 usa aprendizado condicionado por vantagem para incorporar experiência autônoma e intervenções, e que o π0.7 usa metadados de qualidade, velocidade e erro para absorver dados de qualidade mista, e argumentam que esses métodos não carregam um objetivo explícito para a dinâmica física nas transições ação-vídeo, então um rollout malsucedido ali dá um alvo de comportamento sem ensinar ao modelo as consequências desse comportamento. A beta da API da Pi, anunciada no mesmo dia do preprint, descreve um ciclo de coletar demonstrações, treinar um modelo, testá-lo no robô e usar as falhas para decidir quais dados coletar em seguida.

A transferência zero-shot é onde o artigo é mais fraco. Nas 16 tarefas Composite-Unseen do RoboCasa365, separadas para avaliação zero-shot, o LoopWAM marcou 14.9%, abaixo dos 18.8% do PRTS na mesma tabela, embora ainda liderasse o benchmark no geral com 49.5% contra os 46.6% do ABot-M0.6. Se esses 14.9% em tarefas simuladas separadas se transferirem para cozinhas novas, a vantagem do modelo de mundo fica atada a configurações que ele já viu.

Dobrar camisas é a única tarefa que mostra o circuito de ponta a ponta. No DOS-W1, após o pós-treinamento de tarefa única a política dobrava camisas com 13.20% de sucesso, e duas rodadas de implantação elevaram isso para 32.54% e depois 55.56%, com a pontuação indo de 14.44 para 38.89 para 67.78. Isso é mais de quatro vezes a taxa de sucesso inicial numa tarefa com objetos deformáveis que exige vários passos.