Clase 1 · 14 min
Un chatbot devuelve texto. Un robot necesita devolver movimiento, decenas de veces por segundo, mirando una cámara. Esta lección separa las cuatro familias de modelos que vas a escuchar en el curso y muestra qué cambió entre 2023 y octubre de 2026.
Comenzar la lección
Objetivo: distinguir LLM, VLM, VLA y World Action Model y decir qué cambió de 2023 a oct/2026.
Cada nivel añade una entrada o una salida. Haz clic en cada uno.
LLM y VLM responden. VLA y WAM actúan: la salida se convierte en comando de motor.
Cuatro hitos. Haz clic en cada etapa.
El Open X-Embodiment (2023) juntó decenas de datasets de laboratorios distintos en un solo formato. Fue la base para entrenar un modelo en varios robots.
En jun/2024 el OpenVLA, de 7B, fue preentrenado con 970 mil episodios de ese acervo, con pesos abiertos.
Un solo modelo, entrenado con datos de muchos robots, en lugar de un modelo por robot.
El π0 trajo un "action expert" por flow matching: en lugar de elegir la acción en una lista de valores, genera la acción como valor continuo. El código y los pesos están en el repositorio openpi, con licencia Apache-2.0.
Junto con eso vino el action chunking, que sigue siendo la base (la receta OpenVLA-OFT, de feb/2025, lo usa): el modelo devuelve un fragmento de varias acciones a la vez. Entiendes los dos en la clase 2.
El Helix 02 de Figure (ene/2026) controla el humanoide entero y ganó una tercera capa, la S0, a 1 kHz.
El Gemini Robotics 2 de Google DeepMind (30/07/2026) controla humanoides "de los pies a la punta de los dedos" y, según Google, se adapta a un cuerpo nuevo normalmente con menos de 200 ejemplos.
Surge la categoría World Action Model: DreamZero (feb/2026) predice video y acción juntos. El Cosmos 3 de NVIDIA (pesos en el Hub el 31/05/2026) puede servir como VLM, como simulador o como base para este tipo de modelo.
Al mismo tiempo, los modelos de punta de PI se cerraron: π0.7 (abr/2026) no tiene pesos, y el 13/10/2026 PI abrió una API comercial en beta.
Lo abierto y lo cerrado conviven. En la clase 3 eliges según lo que realmente puedes usar.
Copia la tabla a un archivo tuyo y complétala en la práctica.
| Sistema | Qué entra | Qué sale | Categoría | Fuente (URL) | |---|---|---|---|---| | OpenVLA | | | | | | π0.5 (openpi) | | | | | | Gemini Robotics-ER 1.6 | | | | | | DreamZero | | | | | | Cosmos 3 | | | | | | SmolVLA | | | | |
openvla.github.iogithub.com/Physical-Intelligence/openpideepmind.google/blog/gemini-robotics-er-1-6/arxiv.org/abs/2602.15922huggingface.co/nvidia/Cosmos3-Superhuggingface.co/blog/smolvlaUsa solo fuentes primarias: blog oficial, paper o model card.
Copia la tabla, abre la fuente de cada sistema (los enlaces están al final de la clase) y completa qué entra, qué sale y la categoría.
Listo cuando: las 6 filas tienen categoría y una URL de fuente primaria, y tu respuesta coincide con las respuestas en al menos 5.
Para el sistema en el que te equivocaste o tuviste dudas, escribe una frase: ¿qué sale de él?
Listo cuando: la frase dice texto, acción o video + acción, y eso explica la categoría.
La explicación aparece después de tu respuesta.
Pregunta 1 de 4
¿Qué separa a un VLA de un VLM?competencia
Pregunta 2 de 4
¿Qué hace un World Action Model además de lo que hace un VLA?
Pregunta 3 de 4
¿Qué afirmación sobre los modelos de Physical Intelligence es correcta en oct/2026?
Pregunta 4 de 4
Gemini Robotics-ER 1.6 lee un manómetro y señala dónde agarrar. ¿En qué familia entra?
Elige una alternativa. La explicación aparece después de tu intento.