Un cerveau compact pour les robots physiques
XPeng Robotics a dévoilé Athena-Brain-8B, un modèle de langage de 8 milliards de paramètres spécialement conçu pour servir de cerveau embarqué aux robots incarnés. Le rapport technique, publié sur arXiv, aborde une tension croissante dans la robotique humanoïde : comment intégrer à la fois l'intelligence générale et la réactivité en temps réel dans un modèle suffisamment petit pour s'exécuter localement sur le matériel du robot.
À mesure que les agents incarnés gagnent en capacités, la demande de modèles compacts préservant le raisonnement large des grands modèles de langage tout en permettant une interaction de haut niveau efficace avec les environnements physiques s'est intensifiée. Athena-Brain-8B vise à satisfaire les deux exigences au sein d'une seule architecture de modèle unifiée.
Pipeline de formation en quatre étapes
Athena-Brain-8B est construit sur la base Qwen3-8B via un pipeline de post-entraînement multi-étapes conçu pour ajouter progressivement des capacités spécialisées sans sacrifier la compétence générale :
- SFT général — Établit des fondations de suivi d'instructions et de raisonnement de haute qualité à partir de données supervisées variées.
- Apprentissage par renforcement général — Améliore encore les tâches intensives en raisonnement tout en encourageant une génération de réponses concise.
- Formation d'expert incarné — Ajoute des capacités de perception, de planification et de prise de décision spécifiques aux robots grâce à la supervision incarnée et aux environnements interactifs.
- Fusion de modèles — Intègre les experts général et incarné dans un seul modèle unifié.
Le résultat est un modèle qui maintient de solides capacités de langage et de raisonnement général comparables à Qwen3-8B, tout en produisant des réponses nettement plus courtes — une optimisation critique pour l'interaction robotique à faible latence.
Performances solides sur les benchmarks incarnés
Évalué sur quatre niveaux de complexité d'incarnation (E0–E3) dans des environnements de visite de musée et de courses en supermarché, Athena-Brain-8B a atteint un taux de succès global de 58,52 % :
- Moyenne musée : 61,0 %
- Moyenne supermarché : 56,04 %
Sur le benchmark zero-shot ALFWorld, le modèle a surpassé les modèles d'échelle similaire et dépassé plusieurs modèles de pointe sensiblement plus grands évalués en mode zero-shot. Avec une réponse moyenne de seulement 24,25 tokens et une efficacité de coût en tokens de 0,41, Athena-Brain-8B démontre que le compromis conventionnel entre taille du modèle, capacité de raisonnement et vitesse d'interaction peut être significativement comprimé.
Pourquoi c'est important pour la robotique humanoïde
L'importance d'Athena-Brain-8B dépasse les chiffres. Elle valide une thèse clé de l'IA incarnée : les modèles spécialisés et compacts peuvent surpasser les grands modèles génériques sur des tâches robotiques spécifiques au domaine tout en s'exécutant directement sur du matériel en périphérie.
Pour les robots humanoïdes, l'inférence sur appareil élimine les risques de latence et de connectivité du raisonnement dépendant du cloud. À mesure que les robots passent de démonstrations contrôlées à des usines et des environnements de service imprévisibles, la capacité de prendre des décisions compétentes localement — en temps réel — devient un prérequis pour un déploiement fiable.
XPeng Robotics, filiale du constructeur automobile chinois XPeng, construit régulièrement son portefeuille de robotique humanoïde parallèlement à ses capacités d'IA automobile. Athena-Brain-8B positionne l'entreprise comme un acteur sérieux dans la course au développement de la « couche cerveau » des systèmes d'IA physique, complétant les progrès matériels en locomotion et en manipulation.
