Cog-WM 1.0 от EBKernel: что «когнитивная модель мира» обещает роботам

EBKernel представила Cog-WM 1.0 на Pujiang Innovation Forum 2026 в Шанхае как «когнитивную модель мира», вдохновленную механизмами работы мозга. Идея состоит в том, чтобы дать роботам общую основу для самостоятельной навигации и манипуляций с предметами — без предварительно созданной карты помещения. 39

Что должна делать Cog-WM 1.0

Модель мира формирует внутреннее представление об окружении и пытается предсказать, что произойдет после действия робота. EBKernel описывает Cog-WM как систему прогнозирования в скрытом, или латентном, пространстве: вместо восстановления каждого пикселя сцены она должна кодировать сведения, значимые для текущей цели робота. 3

Компания связывает этот подход с принципами когнитивных карт: выборочным обновлением памяти, разделением переиспользуемых пространственных знаний и эпизодического опыта, а также прогнозами на нескольких временных горизонтах. Это вычислительные идеи, вдохновленные нейронаукой, а не заявление о буквальном воспроизведении биологического мозга.

Для навигации ключевое обещание — явная пространственная память, помогающая выбирать следующие точки исследования и маршруты с учетом конечной цели. Этот подход близок к исследовательской системе BSC-Nav, которая строит аллоцентрические когнитивные карты — то есть карты, привязанные к окружающему миру, а не к текущему положению агента, — на основе эгоцентрических траекторий и контекста.

Какие результаты в навигации заявляет компания

Наиболее конкретное сравнение относится к подмножеству HM3D-ObjectNav — тесту, где агенту нужно найти заданный объект в трехмерной среде. По опубликованным данным компании, Cog-WM 1.0 показала:

• 86,89% успешных эпизодов (SR) против 78,50% у BSC-Nav — разница составляет 8,39 процентного пункта, или 10,69% относительного прироста;
• 48,35 по метрике SPL против 47,70 у BSC-Nav.

SPL учитывает одновременно успешность выполнения задачи и эффективность пройденного маршрута. Поэтому доступные цифры показывают намного более заметный прирост в доле успешных попыток, чем в краткости успешных маршрутов. Иными словами, система, возможно, чаще добирается до цели в этом тесте, но столь же крупного улучшения по эффективности пути данные не подтверждают.

Что известно о манипуляциях с предметами

EBKernel утверждает, что модуль манипуляций Cog-WM превзошел до примерно 16% сильно предобученный базовый вариант класса π0.5 на трех наборах тестов, включая RoboTwin 2.0. 3

Согласно описанию компании, система учится последствиям действий на коротких и более длинных временных отрезках, придавая больший вес опыту, который реально приближает робота к цели. Однако в доступных материалах нет полных таблиц по каждому бенчмарку, параметров сенсоров, сведений об обучающих данных и подробных протоколов оценки. Поэтому сопоставимость с baseline в стиле π0.5 независимо проверить нельзя.

То же относится к заявленной серии абляционных экспериментов на LIBERO-Plus: примерно от 80% у одной только политики до 84,6% у полной системы. Без полноценного технического отчета или таблицы результатов эти значения следует считать не прошедшими независимую проверку корпоративными метриками, а не окончательным рейтингом технологии.

От бенчмарков к физическим роботам

EBKernel сообщает о демонстрациях навигации без готовой карты, планирования маршрутов, извлечения пространственно-временной памяти, ответов на вопросы о пространственных отношениях и поиска объектов на колесных гуманоидных и четвероногих роботах. Отдельно компания заявляет о демонстрации манипуляций на колесном гуманоиде. 3

Компания базируется в Шанхае и была основана в 2025 году. Ее более широкая ставка заключается в том, что архитектуры, опирающиеся на знания и память, смогут уменьшить зависимость embodied AI — ИИ, управляющего физическими системами, — от огромных массивов данных и вычислительных ресурсов. 11

Как интерпретировать эти заявления

Cog-WM 1.0 предлагает цельное исследовательское направление: пространственная память, прогнозирование абстрактных состояний и планирование, ориентированное на цель. Сравнение с BSC-Nav особенно любопытно потому, что BSC-Nav тоже рассматривает навигацию как задачу структурированного пространственного знания, а не только как реакцию на текущую картинку.

Но наиболее впечатляющие показатели исходят преимущественно из корпоративных сообщений. Для более уверенных выводов потребовались бы открытый код или подробный технический отчет, сопоставимые обучающие данные и сенсоры, прозрачные вычислительные бюджеты и независимые оценки в разных средах.

Итог: Cog-WM 1.0 — многообещающая ранняя разработка для embodied AI, сочетающая латентное прогнозирование и когнитивную пространственную память. Заявленные улучшения на бенчмарках заслуживают внимания, но пока не доказывают надежную универсальную автономность роботов в открытой реальной среде.