RespuestasPublicado17 fuentes
EchoPolicy-0 lidera MolmoSpaces con un 75,4%; MagicBrain queda cuarto
MagicLab informó que EchoPolicy 0 quedó primero en la clasificación Combined de MolmoSpaces, con un 75,4% de éxito medio en cuatro tareas. MagicBrain, un sistema de 3.400 millones de parámetros, ocupó el cuarto puesto con un 72,4% de promedio y un 94,4% en Pick.
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- MagicLab informó que EchoPolicy 0 quedó primero en la clasificación Combined de MolmoSpaces, con un 75,4% de éxito medio en cuatro tareas.
- MagicBrain, un sistema de 3.400 millones de parámetros, ocupó el cuarto puesto con un 72,4% de promedio y un 94,4% en Pick.
- Las cifras corresponden a un benchmark de IA embodied; no bastan por sí solas para demostrar fiabilidad en robots desplegados en entornos reales.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: As reported on October 14, 2026, how did MagicLab’s EchoPolicy-0 and its in-house 3.4-billion-parameter MagicBrain perform on AI2’s MolmoSpa. Article summary: MagicLab reported EchoPolicy-0 first on AI2’s MolmoSpaces Combined leaderboard at a 75.4% equal-weighted success rate, while its 3.4-billion-parameter MagicBrain reportedly ranked fourth at 72.4%, including 94.4% on Pick. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
MagicLab informó que su sistema de manipulación robótica EchoPolicy-0 obtuvo el primer puesto en la clasificación Combined de MolmoSpaces, el benchmark de AI2, con un 75,4% de éxito medio ponderado por igual en cuatro tareas. Su sistema MagicBrain, de 3.400 millones de parámetros, quedó cuarto con un 72,4% de promedio y un 94,4% en Pick. Son resultados de una evaluación comparativa: por sí solos no prueban cómo rendirían los sistemas en un entorno real.1
18
Resultados de los dos sistemas
El promedio comunicado para EchoPolicy-0 reúne los resultados de las cuatro tareas de manipulación de MolmoSpaces v1: Pick, Pick and Place, Open y Close. MagicLab indicó que el sistema encabezó la clasificación Combined.1 Pandaily revisó los datos publicados del marcador y calculó un promedio aproximado del 75,5%, muy cercano al 75,4% comunicado por la empresa. Como la diferencia parece deberse al modo de presentar el promedio, aquí se mantiene la cifra informada por MagicLab.
41
MagicBrain, también desarrollado por MagicLab, registró un promedio del 72,4% y el cuarto puesto en el mismo grupo. Su 94,4% corresponde a la tarea Pick, no al promedio general.18
| Sistema | Resultado comunicado en Combined | Dato destacado |
|---|---|---|
| EchoPolicy-0 | 75,4%; primer puesto | Promedio con el mismo peso para Pick, Pick and Place, Open y Close |
| MagicBrain | 72,4%; cuarto puesto | 94,4% en Pick |
Qué evalúa MolmoSpaces
MolmoSpaces es un benchmark de IA embodied de tipo zero-shot impulsado por AI2. Su ecosistema incluye más de 230.000 entornos interiores y alrededor de 130.000 recursos de objetos.1 Evalúa si un sistema robótico puede seguir instrucciones y completar tareas de manipulación en escenas definidas, en lugar de medir su desempeño a partir de una sola demostración o una tarea aislada.
Esas cifras describen el conjunto de entornos y objetos del benchmark, no la cantidad de pruebas realizadas para obtener estos resultados. Las posiciones de la tabla resumen el desempeño en cuatro tareas de manipulación de la versión 1. Sirven para comparar sistemas bajo una evaluación compartida, pero no indican por sí mismas cuán fiable sería un robot en un lugar de trabajo u otro contexto físico.
EchoPolicy-0: conectar percepción y acción
MagicLab presenta EchoPolicy-0 como un marco unificado que combina un modelo de visión y lenguaje, herramientas geométricas de manipulación y una política general de acción. El sistema enlaza la observación de la escena y la interpretación de una instrucción con la selección y ejecución de una acción, además de comprobar el resultado.18
El enfoque descrito también utiliza orientación visual para escoger entre posibles acciones: un modelo propone opciones y el sistema usa su comprensión del objetivo para elegir una adecuada. La documentación de evaluación menciona verificaciones visuales que pueden ayudar a decidir si se continúa, se intenta de nuevo o se recurre a otra alternativa.18
20 Así, el marco no se limita a emitir una orden de movimiento única: incorpora una etapa de retroalimentación entre la percepción y la acción.
MagicBrain: identificar el objeto antes de actuar
MagicBrain adopta otro enfoque: utiliza orientación visual contextual para ayudar a identificar qué objeto corresponde a una instrucción. En este diseño, la identificación visual guía el movimiento generado por el modelo de acción y separa dos problemas distintos: reconocer qué hay que manipular y decidir cómo hacerlo.19
33
En los casos que analizó, MagicLab señaló que una causa habitual de los fallos al agarrar objetos era elegir el objetivo equivocado, y no ejecutar el movimiento de forma inestable.30 Esto apunta a un problema de interpretación de instrucciones: aunque el agarre se ejecute bien, la tarea falla si el robot toma el objeto incorrecto. La observación se refiere a los casos estudiados; no describe necesariamente todos los fallos de agarre robótico.
Qué muestran —y qué no— estas cifras
Ambos sistemas reflejan un esfuerzo por vincular la comprensión de instrucciones, la selección visual del objetivo y la acción física. MagicLab Studio ha expresado su preferencia por las arquitecturas por capas y ha señalado el seguimiento de instrucciones como un reto para las tareas de propósito general.33
Los resultados indican cómo rindieron los sistemas en las tareas de MolmoSpaces. No son una prueba de fiabilidad en el mundo real ni de preparación comercial: el desempeño en el benchmark no permite concluir, por sí solo, cómo se adaptarán a otras condiciones físicas o a distintos entornos de uso.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "EchoPolicy-0 lidera MolmoSpaces con un 75,4%; MagicBrain queda cuarto"?
MagicLab informó que EchoPolicy 0 quedó primero en la clasificación Combined de MolmoSpaces, con un 75,4% de éxito medio en cuatro tareas.
¿Cuáles son los puntos clave a validar primero?
MagicLab informó que EchoPolicy 0 quedó primero en la clasificación Combined de MolmoSpaces, con un 75,4% de éxito medio en cuatro tareas. MagicBrain, un sistema de 3.400 millones de parámetros, ocupó el cuarto puesto con un 72,4% de promedio y un 94,4% en Pick.
¿Qué debo hacer a continuación en la práctica?
Las cifras corresponden a un benchmark de IA embodied; no bastan por sí solas para demostrar fiabilidad en robots desplegados en entornos reales.