Robbyant lance LingBot-VLA 2.0, un modèle VLA open source de 6 milliards de paramètres pour la manipulation robotique multi-morphologies

Mistral se lance dans la robotique avec Robostral Navigate, un modèle de 8 milliards de paramètres qui pilote les robots avec une seule caméra

Mistral entre sur le marché de la robotique avec Robostral Navigate, un modèle de 8 milliards de paramètres capable de guider un robot dans un environnement inconnu à partir d'une seule caméra RGB. Entraîné en simulation puis affiné par apprentissage par renforcement grâce à une méthode baptisée CISPO, le modèle atteint un score de 76,6 % sur le benchmark R2R-CE, une référence standard pour évaluer la navigation robotique guidée par le langage en environnement continu. Mistral n'a pour l'instant communiqué aucune date de disponibilité commerciale pour ce modèle. Cette annonce marque un tournant stratégique pour la start-up française, jusque-là concentrée sur les grands modèles de langage textuels et multimodaux. En misant sur une navigation reposant sur une caméra unique plutôt que sur des capteurs coûteux comme le LiDAR ou des systèmes multi-caméras, Mistral vise à rendre l'autonomie robotique plus accessible et moins onéreuse à déployer, un enjeu central pour les fabricants de robots mobiles, de drones ou de véhicules autonomes qui cherchent à réduire les coûts matériels tout en conservant des performances fiables en environnement réel et imprévisible. Ce mouvement s'inscrit dans une compétition mondiale croissante autour de l'intelligence artificielle incarnée, où des acteurs comme Google DeepMind, Nvidia ou encore des start-up spécialisées investissent massivement pour doter les robots d'une compréhension fine de leur environnement physique. En s'appuyant sur son expertise en modèles de langage compacts et efficaces, Mistral cherche à se positionner comme fournisseur de briques logicielles pour l'industrie robotique, un marché encore jeune mais jugé stratégique, alors que les frontières entre IA générative et robotique autonome continuent de s'estomper rapidement.

Robbyant d'Ant Group publie en open source LingBot-Vision, un modèle de vision de 1 milliard de paramètres pour la perception spatiale dense

Ant Group, via sa filiale dédiée à l'IA incarnée Robbyant, a mis en open source le 8 juillet 2026 LingBot-Vision, une famille de Vision Transformers auto-supervisés conçus pour la perception spatiale dense. Les poids sont publiés sous licence Apache-2.0 sur Hugging Face en quatre tailles : ViT-giant, ViT-large, ViT-base et ViT-small, accompagnés d'un rapport technique et d'un code d'inférence. Le modèle phare, ViT-g/16, compte environ 1,1 milliard de paramètres et a été entraîné avec un nouvel objectif baptisé masked boundary modeling, sur un corpus soigneusement sélectionné d'environ 161 millions d'images issues d'un ensemble web de 2 milliards d'images, sans aucune annotation humaine, sans détecteur de contours externe, et sans backbone pré-entraîné pour amorcer l'apprentissage. Le corpus est dix fois plus petit que le LVD-1689M utilisé par DINOv3, et le modèle consomme moins d'un tiers du nombre d'exemples d'entraînement de ce dernier. Pour les déploiements à budget réduit, ce modèle principal est distillé en versions ViT-L (300 millions de paramètres), ViT-B (86 millions) et ViT-S, chacune en tête des tâches de prédiction dense dans sa catégorie de taille. L'enjeu est que la plupart des modèles de vision actuels sont entraînés pour l'invariance sémantique : ils apprennent à identifier ce qui figure dans une image tout en négligeant précisément la structure spatiale fine (contours d'objets, discontinuités de profondeur) dont dépendent les robots et autres systèmes physiquement incarnés. LingBot-Vision inverse cette priorité en traitant les frontières comme un signal natif d'entraînement plutôt que comme un simple résultat en aval. Le résultat est un modèle de seulement 1 milliard de paramètres qui égale ou dépasse des modèles jusqu'à sept fois plus gros sur des tâches de perception spatiale dense, y compris le DINOv3 à 7 milliards de paramètres. Pour l'industrie de la robotique et des systèmes embarqués, cela ouvre la voie à des modèles de vision plus légers, moins coûteux à entraîner et à déployer, sans sacrifier la précision géométrique nécessaire à la navigation, la manipulation d'objets ou l'interaction physique avec l'environnement. Sur le plan technique, la méthode s'appuie sur le paradigme d'auto-distillation DINO/iBOT, où un modèle enseignant (une copie EMA de l'élève) génère des cibles que l'élève doit retrouver à partir de vues masquées. Contrairement au masquage aléatoire classique, qui traite les zones de contours comme n'importe quelle autre région alors qu'elles sont les plus riches en information, LingBot-Vision force les tokens porteurs de frontières dans le masque et leur attribue une cible géométrique explicite en plus de la cible sémantique. Les frontières sont modélisées comme un champ dense de segments, discrétisé en 32 catégories par canal pour transformer la prédiction en classification stable, avec un effet secondaire élégant : un test statistique sans paramètre permet de valider chaque frontière détectée par rapport à l'hypothèse nulle d'absence de structure. Cette approche s'inscrit dans une tendance plus large de l'IA incarnée, où des acteurs comme Ant Group cherchent à doter les robots de représentations visuelles plus proches de la géométrie réelle du monde, un terrain où des concurrents comme Meta (DINOv3) restent des références mais pourraient désormais être challengés par des modèles nettement plus économes en données et en calcul.

💬 Robbyant bat DINOv3 avec un modèle sept fois plus petit et dix fois moins de données d'entraînement, juste en changeant ce qu'on apprend au réseau plutôt qu'en le gonflant. On a passé des années à bourrer les modèles de vision de paramètres pour qu'ils reconnaissent des chats, alors qu'un robot a surtout besoin de contours nets et de profondeur. Bon, sur le papier c'est solide pour la perception dense, reste à voir si ça tient une fois embarqué sur du matériel bas coût plutôt que sur un banc de test.

Qwen-RobotSuite : trois modèles d'IA incarnée pour la manipulation VLA, la modélisation du monde et la navigation

L'équipe Qwen, la division IA d'Alibaba, a publié Qwen-Robot-Suite, une collection de trois modèles d'IA incarnée destinés à la robotique. Les trois modèles sont distincts et ciblent des problèmes différents : Qwen-RobotManip est un modèle Vision-Language-Action (VLA) pour la manipulation physique, construit sur le backbone Qwen3.5-4B ; Qwen-RobotWorld est un modèle de simulation vidéo du monde réel, doté de 60 couches MMDiT et d'un encodeur Qwen2.5-VL gelé ; Qwen-RobotNav, disponible en versions 2B, 4B et 8B, est dédié à la navigation mobile et s'appuie sur Qwen3-VL. RobotManip et RobotNav sont déjà accompagnés de dépôts GitHub publics. Pour alimenter RobotManip, l'équipe a constitué un corpus d'environ 38 100 heures de données de manipulation, exclusivement issues de jeux de données open source et de vidéos humaines, dont 24 808 heures générées synthétiquement à partir de démonstrations à la première personne converties en trajectoires robotiques sur 15 plateformes différentes. Cette publication s'attaque à l'un des obstacles fondamentaux de la robotique moderne : la fragmentation des données. Chaque robot utilise des formats d'observation et d'action incompatibles, ce qui rend quasi impossible le transfert d'une politique entraînée sur un bras vers un autre. RobotManip résout ce problème via un cadre d'alignement unifié reposant sur un vecteur d'état canonique de 80 dimensions avec masquage binaire par dimension, une paramétrisation des actions en delta dans le référentiel caméra, et un mécanisme d'adaptation en contexte qui lit l'historique d'exécution récent pour identifier l'embodiment sans mettre à jour les paramètres du modèle. RobotWorld, quant à lui, utilise le langage comme interface d'action unifiée pour prédire des séquences vidéo futures, tandis que RobotNav expose une interface d'observation contrôlable pour générer des trajectoires de points de passage en navigation. Ces travaux s'inscrivent dans une course mondiale à la robotique fondationnelle, portée par des acteurs comme Google DeepMind avec RT-2, Physical Intelligence avec pi0, ou encore Tesla avec Optimus. Qwen adopte ici une stratégie modulaire plutôt qu'un modèle généraliste unique, en pariant sur la spécialisation par domaine tout en partageant un même écosystème de backbones de vision-langage. L'accent mis sur des données entièrement open source et des pipelines de synthèse automatisée indique une volonté de démocratiser l'entraînement de politiques robotiques sans dépendre de coûteuses collectes propriétaires. La mise à disposition des codes sources pour deux des trois modèles suggère que Qwen cherche à fédérer une communauté de recherche autour de ces fondations, dans un domaine ou la donnée reste le principal goulot d'étranglement.

Ant Group dévoile LingBot-VA 2.0, un modèle causal vidéo-action conçu nativement pour l'IA physique

Ant Group, via sa filiale dédiée à l'IA incarnée Robbyant, a dévoilé LingBot-VA 2.0, un modèle fondation vidéo-action conçu nativement pour le contrôle de robots généralistes. Contrairement à l'approche dominante qui consiste à réutiliser un VAE de reconstruction et un backbone de diffusion vidéo bidirectionnel pensé pour la création de contenu, puis à y greffer un module d'action, l'équipe de recherche a préentraîné l'intégralité de la pile pour l'incarnation robotique dès le départ. La première version de LingBot-VA avait consisté à affiner un modèle existant vers une architecture causale ; la version 2.0 va plus loin en préentraînant directement un DiT (Diffusion Transformer) causal. Le système repose sur deux briques : un tokenizer visuel-action sémantique, qui aligne les latents visuels sur un encodeur de perception gelé et extrait des variables de transition compactes entre images consécutives via des modèles de dynamique directe et inverse, et un DiT causal à mélange d'experts épars (MoE) comprenant 128 experts routés SwiGLU avec un routage top-8. Le backbone vidéo pèse environ 13 milliards de paramètres, dont 1,9 milliard actifs, et l'ensemble du système atteint 15,3 milliards de paramètres pour 2,5 milliards actifs par inférence. Cette refonte architecturale répond à des limites concrètes qui freinaient jusqu'ici le déploiement de robots généralistes capables d'exécuter des tâches de manipulation complexes. Le débruitage itératif typique des modèles de diffusion vidéo est trop lent pour du contrôle en boucle fermée, où chaque décision doit s'enchaîner en temps quasi réel. De plus, les objectifs d'entraînement génériques utilisés pour la génération vidéo n'apprennent jamais à un modèle comment ses actions transforment concrètement le monde physique, un manque comblé ici par le partage d'un même espace latent entre états du monde et actions, ce qui permet d'exploiter de la vidéo web non annotée comme source de supervision. Pour l'industrie de la robotique, cela représente un pas vers des modèles capables d'apprendre à manipuler des objets sans dépendre exclusivement de données de téléopération coûteuses à collecter, tout en gagnant en vitesse d'entraînement. L'équipe a également introduit une technique de prédiction multi-segments (MCP) pour éviter que le modèle ne se contente de copier l'apparence des images plutôt que d'apprendre une dynamique réelle, obtenant en test un gain de vitesse d'entraînement de 2,3 fois. Cinq objectifs sont coentraînés simultanément, du texte-vers-image jusqu'à la coopération humain-robot, selon un calendrier progressif allant de l'ancrage visuel simple au contrôle vidéo-action complet. Au-dessus de cette politique de contrôle par segments, un planificateur VLM affiné par LoRA génère des instructions structurées à environ 2 Hz, opérant en parallèle asynchrone pour ne jamais bloquer l'exécution du robot, un mécanisme que Robbyant nomme "raisonnement par anticipation" et qui vise à réduire la latence perçue lors de l'exécution de tâches physiques.

💬 LingBot-VA 2.0, c'est le genre de truc qu'on attendait depuis 2 ans dans la robotique : au lieu de bricoler un module d'action sur un générateur vidéo pensé pour du contenu, Ant Group repart de zéro avec une pile entraînée nativement pour l'action. Le vrai apport, c'est de partager le même espace latent entre états du monde et actions, ça permet d'apprendre sur de la vidéo web brute sans dépendre uniquement de téléopération, qui coûte une fortune à collecter. Selon Le Fil IA, cette architecture illustre le vrai goulot d'étranglement de la robotique généraliste aujourd'hui : ce n'est plus la puissance de calcul, c'est la donnée d'entraînement de qualité et son coût de collecte.