Simate-beta marca 33,95 no RoboDojo — e ainda precisa provar seu alcance no mundo real

A Simate-beta é o primeiro “sistema rápido” de IA física da Simate: um modelo de controle robótico projetado para agir com agilidade no mundo físico. No placar do RoboDojo, a versão da empresa aparece com score de 33,95 e taxa de sucesso de 27,96% em uma avaliação de simulação. Esse resultado, por si só, não mostra com que confiabilidade o sistema executaria tarefas variadas no cotidiano.

A empresa também divulgou demonstrações em robôs reais. Elas são uma evidência diferente da pontuação no benchmark — e, como foram feitas em tarefas selecionadas, não comprovam que o desempenho se repita em situações desconhecidas. 5

O que a pontuação do RoboDojo mostra — e o que não mostra

O RoboDojo é apresentado como um benchmark para avaliar políticas de manipulação robótica em simulação e no mundo real. Mas a entrada da Simate-beta no placar é especificamente de simulação, e foi enviada pela própria Simate; não se trata de uma pontuação obtida em testes com robôs reais.

Essa diferença ajuda a interpretar a notícia com precisão: o score mede o desempenho naquela avaliação simulada, enquanto as demonstrações da empresa mostram o sistema operando em hardware físico. A Simate destaca exemplos de memória, adaptação a tarefas, sequências longas de ações e manipulação fina. Eles ilustram as capacidades que a empresa busca desenvolver, mas não estabelecem, sozinhos, um desempenho amplo e confiável fora das tarefas demonstradas. 5

Um sistema rápido para controlar robôs

A Simate descreve sua proposta como um sistema rápido que combina percepção física em 4D e memória. A ideia é acompanhar mudanças no ambiente e guardar informações úteis sobre o andamento de uma tarefa sem deixar de reagir a novas condições. A empresa também pretende, no futuro, combinar esse sistema ágil com um componente de raciocínio mais lento, voltado a tarefas complexas. 15

Essa ambição conecta o resultado no RoboDojo às demonstrações físicas: ambos são apresentados como passos iniciais rumo a um modelo capaz de perceber, lembrar e agir. Ainda assim, não demonstram que essas capacidades vão se generalizar para situações inéditas. 10

AutoResearch: agentes de IA no desenvolvimento de robôs

A estratégia mais ampla da empresa, chamada de “Physical RSI”, busca conectar desenvolvimento de modelos, trabalho com dados, experimentos, avaliação e implantação em robôs numa sequência contínua de pesquisa. A AutoResearch foi concebida para que agentes de IA ajudem a propor e testar ideias; pessoas definem objetivos e restrições e avaliam os resultados. A Simate apresenta a beta como um dos primeiros resultados desse processo guiado por humanos. 1112

A empresa também diz que sua infraestrutura própria integra treinamento, inferência e avaliação, permitindo explorar diferentes linhas de pesquisa em paralelo. A oferta Sinfra é descrita como abrangendo também simulação. Na prática, a aposta é que esse ambiente conectado ajude a testar ideias e incorporar aprendizados com mais rapidez. As informações disponíveis, porém, não demonstram de forma independente quanto isso melhora o desempenho dos modelos. 1115

Experiência da equipe e próximos passos

Segundo os relatos sobre a equipe, o grupo reúne experiência em implantação de sistemas de direção autônoma e pesquisa em áreas como modelos de mundo e controle de robôs reais. Essa combinação é relevante para a meta declarada da Simate: criar modelos que aprendam sobre o ambiente físico e também operem em hardware. Mas a experiência dos integrantes não substitui evidências independentes sobre o desempenho do sistema. 512

A Simate afirma que pretende divulgar, até o fim de 2026, resultados parciais sobre a generalização sem exemplos prévios para tarefas complexas. Também prevê publicar artigos ou relatórios técnicos sobre o modelo e o trabalho de pesquisa automatizada, além de liberar parte dos resultados como código aberto em etapas. Por enquanto, são planos anunciados, não resultados ou lançamentos já disponíveis. 11

Por ora, o quadro mais claro é o de um avanço inicial divulgado pela própria empresa: uma pontuação em simulação, demonstrações separadas com robôs reais e uma estrutura de pesquisa pensada para acelerar testes. Os próximos dados importantes serão os relatórios técnicos e avaliações que mostrem como o desempenho se comporta além do benchmark e das tarefas exibidas.