Cog-WM 1.0 de EBKernel: qué promete este world model cognitivo para robots

EBKernel presentó Cog-WM 1.0 en el Pujiang Innovation Forum 2026, celebrado en Shanghái, como un «modelo cognitivo del mundo» inspirado en mecanismos cerebrales. Su propuesta es dotar a los robots de una base común para navegar de forma autónoma y manipular objetos sin necesidad de disponer de un mapa del entorno creado de antemano. 39

Qué intenta resolver Cog-WM 1.0

Un world model o modelo del mundo mantiene una representación interna del entorno y trata de anticipar qué puede ocurrir después de una acción. EBKernel describe Cog-WM como un sistema de predicción en espacio latente: en lugar de reconstruir todos los píxeles de una escena, codifica la información útil para el objetivo inmediato del robot. 3

La compañía relaciona este enfoque con principios de los mapas cognitivos: actualizar la memoria de forma selectiva, separar el conocimiento espacial reutilizable de la experiencia episódica y realizar predicciones en distintos horizontes temporales. Son inspiraciones computacionales procedentes de la neurociencia; no implican que el sistema replique biológicamente el funcionamiento de un cerebro.

En navegación, la promesa central es una memoria espacial explícita que ayude al robot a seleccionar nuevos objetivos de exploración y rutas en función de su meta final. Esta línea guarda relación con BSC-Nav, un marco de investigación que construye mapas cognitivos alocéntricos —centrados en el entorno, no en la posición del agente— a partir de trayectorias egocéntricas y señales de contexto.

Los resultados de navegación que comunica la empresa

La comparación más concreta corresponde a un subconjunto de HM3D-ObjectNav, una prueba de navegación hacia objetos. Según los datos publicados por la compañía, Cog-WM 1.0 obtuvo:

• 86,89 % de tasa de éxito (SR), frente al 78,50 % de BSC-Nav: una diferencia de 8,39 puntos porcentuales, equivalente a un aumento relativo del 10,69 %.
• 48,35 de SPL, frente a 47,70 de BSC-Nav.

La métrica SPL combina el éxito con la eficiencia de la ruta. Por tanto, la mejora publicada es mucho más marcada en la tasa de éxito que en la eficiencia del recorrido. Los resultados sugieren que, en esa prueba, el sistema podría alcanzar el objetivo con mayor frecuencia, pero no demuestran una mejora de igual magnitud en la longitud de las rutas exitosas.

Qué se sabe de la manipulación de objetos

EBKernel afirma que el módulo de manipulación de Cog-WM superó hasta en torno a un 16 % a una referencia de tipo π0.5, entrenada previamente con grandes volúmenes de datos, en tres baterías de evaluación que incluyen RoboTwin 2.0. 3

Según la descripción de la empresa, el enfoque aprende las consecuencias de las acciones en horizontes cortos y largos, y da más peso a las experiencias que contribuyen al avance hacia la meta. Sin embargo, las fuentes disponibles no aportan tablas completas por benchmark, configuraciones de sensores, datos de entrenamiento ni protocolos de evaluación. Por ello, no es posible verificar de forma independiente si la comparación con la referencia de tipo π0.5 se hizo en condiciones equivalentes.

La misma cautela se aplica a las cifras de ablación comunicadas para LIBERO-Plus: aproximadamente un 80 % con la política por sí sola y un 84,6 % con el sistema completo. Sin un informe técnico detallado o una tabla pública completa, estos números deben leerse como mediciones corporativas no verificadas de manera independiente, no como una clasificación definitiva de la tecnología.

Del benchmark al robot físico

EBKernel sostiene que ha demostrado navegación sin mapa previo, planificación de rutas, recuperación de memoria espaciotemporal, respuestas a preguntas sobre relaciones espaciales y búsqueda de objetos en humanoides con ruedas y robots cuadrúpedos. También informa de una demostración de manipulación en un humanoide con ruedas. 3

La empresa tiene su sede en Shanghái y fue fundada en 2025. Su apuesta es que arquitecturas basadas en cognición y memoria puedan reducir la dependencia de la IA incorporada —la IA que actúa mediante un cuerpo robótico— de cantidades masivas de datos y capacidad de cómputo. 11

Cómo interpretar estas promesas

Cog-WM 1.0 plantea una dirección de investigación coherente: memoria espacial, predicción de estados abstractos y planificación guiada por objetivos. La comparación con BSC-Nav resulta interesante precisamente porque BSC-Nav también aborda la navegación como un problema de conocimiento espacial estructurado, y no solo como percepción reactiva.

No obstante, los resultados más llamativos proceden principalmente de anuncios de la empresa. Para extraer conclusiones más sólidas harían falta código público o un informe técnico exhaustivo, datos y sensores comparables entre sistemas, presupuestos de cómputo claros y evaluaciones independientes en entornos diversos.

En síntesis: Cog-WM 1.0 es una propuesta temprana y prometedora para la IA incorporada que combina predicción latente con memoria espacial cognitiva. Las mejoras de benchmark comunicadas merecen atención, pero todavía no bastan para probar una autonomía fiable y de propósito general en entornos abiertos.