Simate-beta bovenaan de RoboDojo-simulatielijst: wat zegt die score?

Simate-beta is het eerste algemene fysieke-AI-systeem van Simate, een zogenoemd ‘fast system’: een model dat is ontworpen om snel te reageren en robots in de fysieke wereld aan te sturen. Op de RoboDojo-leaderboard staat een inzending van Simate-beta met een score van 33,95 en een succespercentage van 27,96%. Die vermelding betreft de simulatielijst. Simate heeft daarnaast demonstraties met echte robots gedeeld, maar noch de leaderboard-score noch geselecteerde demonstraties laten zien hoe betrouwbaar het systeem is bij allerlei alledaagse taken en in onbekende omgevingen.

Wat de RoboDojo-score wel en niet zegt

RoboDojo is een benchmark voor het beoordelen van algemene robotmanipulatiemodellen, met taken in simulatie en in de echte wereld. De specifieke score van Simate-beta staat op de simulatielijst en is door Simate ingediend; het is dus geen score die volgens de leaderboard is behaald tijdens tests met echte robots.

Dat onderscheid is belangrijk. Een benchmarkscore en demonstraties op fysieke robots zijn twee verschillende soorten bewijs. Verslaggeving over de demonstraties noemt onder meer geheugen, aanpassing aan taken, lange reeksen handelingen en nauwkeurige manipulatie. Die voorbeelden laten zien welke mogelijkheden Simate nastreeft, maar bewijzen niet dat die prestaties ook gelden buiten de getoonde taken. 5

Een snel systeem dat op de omgeving moet reageren

Simate beschrijft het ontwerp als een ‘fast system’ dat 4D-waarneming van de fysieke omgeving combineert met geheugen. Het bedrijf wil zo snelle, mogelijk lokale aansturing ondersteunen en het systeem op termijn laten samenwerken met tragere redeneermodellen voor complexere taken. 15

Het idee is om veranderingen in een fysieke scène door de tijd heen te volgen en relevante informatie over de voortgang van een taak vast te houden, zonder de reactie op nieuwe omstandigheden te vertragen. Daarmee sluiten de RoboDojo-score en de demonstraties aan bij hetzelfde doel: een systeem bouwen dat kan waarnemen, onthouden en handelen. Ze tonen op zichzelf niet aan dat die capaciteiten ook naar onbekende situaties generaliseren. 10

AutoResearch: AI-agenten helpen bij robotonderzoek

Simate noemt zijn bredere aanpak ‘Physical RSI’. Het bedrijf wil daarmee modelontwikkeling, dataverwerking, experimenten, evaluatie en inzet op echte robots verbinden in een terugkerende onderzoekscyclus. AutoResearch moet AI-agenten helpen ideeën voor onderzoek voor te stellen en te testen. Mensen stellen daarbij doelen en beperkingen en beoordelen de uitkomsten. Simate presenteert beta als een vroege uitkomst van dit proces onder menselijke begeleiding. 1112

Simate zegt ook dat de eigen infrastructuur training, inferentie en evaluatie met elkaar verbindt en meerdere onderzoekslijnen parallel ondersteunt. Het bedrijf beschrijft zijn Sinfra-aanbod als infrastructuur voor simulatie, training en inferentie. De praktische belofte is dat zo’n geïntegreerde onderzoeksomgeving ideeën sneller kan helpen testen en resultaten sneller kan verwerken. De beschikbare berichtgeving toont echter niet onafhankelijk aan hoeveel dit de prestaties van het model verbetert. 1115

Ervaring van het team en aangekondigde plannen

Volgens berichtgeving combineert het team van Simate ervaring met de inzet van autonome rijtechnologie met onderzoek naar onder meer wereldmodellen en robotbesturing op echte hardware. Die achtergrond sluit aan bij het doel om modellen te ontwikkelen die de fysieke wereld leren begrijpen én robots aansturen. Ervaring van het team is alleen geen vervanging voor onafhankelijke prestatiegegevens. 512

Simate zegt eind 2026 tussentijdse resultaten te willen publiceren over zero-shot-generalisatie naar complexe taken. Daarna wil het bedrijf papers of technische rapporten delen over het model en geautomatiseerd onderzoek, met open-sourcereleases in fases. Dat zijn aangekondigde plannen, geen resultaten of publicaties die al beschikbaar zijn. 11

Voorlopig is de meest zorgvuldige conclusie dat Simate een veelbelovende, maar door het bedrijf zelf gerapporteerde eerste stap laat zien: een score op een simulatielijst, afzonderlijke demonstraties met echte robots en een onderzoeksproces dat bedoeld is om sneller te kunnen experimenteren. De volgende belangrijke aanwijzing komt uit gedetailleerde technische publicaties en resultaten die laten zien hoe het systeem presteert buiten de benchmarkinzending en de uitgelichte demonstraties.