PhysBrain 1.5 reúne percepção, movimento e previsão para robôs

O PhysBrain 1.5 é a proposta da DeepCybo para reunir, em um mesmo modelo, três capacidades: interpretar o que um robô vê, gerar movimentos e prever como a cena pode mudar. O ponto mais importante para quem pensa em usá-lo é a diferença entre ir bem em testes de compreensão e concluir tarefas físicas de forma confiável. Os resultados publicados tratam principalmente da primeira questão. 1910

Como um modelo reúne as três capacidades

As versões 2B e 8B partem de modelos de visão e linguagem Qwen3-VL dos respectivos portes. Em vez de usar componentes separados para cada tarefa, o PhysBrain 1.5 representa as saídas como sequências de unidades discretas, chamadas tokens, e aprende a prever o próximo token. Nesse formato cabem respostas em linguagem ou sobre a posição de elementos na cena, trajetórias da extremidade que executa o movimento no robô e previsões visuais em RGB, profundidade e ocupação espacial do robô. 1810

A arquitetura permite, portanto, aprender descrições da cena, movimentos propostos e possíveis resultados visuais no mesmo sistema. Prever uma trajetória não significa que um robô a executou com sucesso. 18

De onde vem o treinamento

A DeepCybo descreve duas etapas. No pré-treinamento, usa vídeos de interações humanas centradas em tarefas, relacionando o contexto da cena a movimentos reconstruídos e observações posteriores. Depois, no ajuste fino supervisionado, combina demonstrações humanas, trajetórias de robôs e experiências simuladas. Por isso, dizer que o modelo foi treinado apenas com vídeos humanos deixaria de fora parte importante do processo. 112

O que significam os 72,5 pontos

Segundo a avaliação publicada pela DeepCybo, o PhysBrain 1.5-8B alcançou média de 72,5 em 28 testes de compreensão incorporada — isto é, testes de capacidades ligadas à percepção e ao raciocínio sobre ações em um ambiente físico. Ficou em primeiro entre os modelos abertos incluídos na comparação e teve o melhor resultado desse grupo em 14 testes individuais. A média divulgada para a versão 2B é 66,6. O conjunto cobre percepção visual e espacial, compreensão em 3D e por múltiplas perspectivas, raciocínio e planejamento, localização de elementos e possibilidades de interação com objetos, além de raciocínio sobre trajetórias visuais. 191011

Na tabela da própria DeepCybo, o resultado do 8B fica próximo dos valores atribuídos aos modelos proprietários GPT-6-Astra (73,3) e Gemini 3.6 Flash (73,0). Essa é uma comparação nas condições de avaliação publicadas pelo projeto, não um ranking independente de todos os modelos disponíveis — nem uma taxa de sucesso em tarefas realizadas por robôs. 118

O que verificar antes de usar em um robô

A DeepCybo disponibilizou os pesos das versões 2B e 8B, além do relatório técnico e de recursos de avaliação. Isso permite que equipes inspecionem os modelos e tentem reproduzir os resultados. 191011

Antes de tomar a média como referência para uma aplicação, vale examinar os resultados de cada teste, as configurações de avaliação, uma possível sobreposição entre dados de treino e de teste e se os modelos comparados foram avaliados em condições equivalentes. Para uso prático, a prova decisiva é outra: testar a execução em ciclo fechado — na qual o robô age, observa o resultado e ajusta a próxima ação — no equipamento e com os objetos pretendidos. Taxa de sucesso, recuperação após erros, latência e segurança nessas condições não podem ser deduzidas da média publicada. 1910