Un preprint pubblicato su arXiv il 1 settembre alle 17:58 UTC descrive Facet-0, che i suoi autori definiscono un foundation model robotico che “predice e valorizza le conseguenze di contatto delle proprie azioni”. Su cinque compiti di assemblaggio per computer sotto il millimetro, il sistema adattato al compito raggiunge una success rate media dell’82%, contro il 15% del baseline più forte, con precisione di posizionamento di 0,5 mm e latenza dei comandi di 50 ms.
Che cosa prevede davvero il modello
Non i pixel. L’architettura è costruita attorno a una proposta congiunta di action-wrench — dove wrench indica la combinazione di forza e coppia al polso. Una causal wrench history è allineata alla semantica visione-linguaggio e allo stato cinematico, e il flow matching genera ciascun action chunk insieme al profilo futuro di forza-coppia al polso che dovrebbe indurre. Un Action-Wrench Critic distribuzionale viene poi addestrato sui rollout di deployment per distinguere movimenti che sembrano ugualmente riusciti ma finiscono con esiti di contatto diversi.
Cosa non torna nella cornice più comune
La storia dei foundation model per la robotica del 2026 viene raccontata come vision-language-action: mostri al robot pixel e parole, ottieni comportamento. Questo risultato dice che, alle tolleranze di assemblaggio, il canale visivo da solo è quasi inutile — il baseline guidato dalla visione più forte si ferma al 15%. Prima che l’82% si propaghi, però, vanno chiarite due cose. È misurato dopo un adattamento on-robot, specifico per parte di un leggero bounded actor che riutilizza la rappresentazione congelata, quindi non è una cifra generalista zero-shot. E riguarda cinque task in un solo laboratorio, non replicati, in un preprint senza peer review.
La parola “foundation” fa molto lavoro
Il corpus di addestramento, ManuFacet-1K, è composto da 1.000 ore di dati sincronizzati con la forza su tre embodiment e più celle di produzione. È un dataset serio per la manipolazione ricca di contatto, ma una cifra trascurabile rispetto ai corpora che la parola “foundation” di solito implica. La descrizione onesta è quella di un modello specialistico per un regime fisico, non di un generalista.
Perché il benchmark conta più del vincitore
L’inserimento sotto il millimetro è esattamente il lavoro che i fornitori di robot umanoidi e industriali continuano a promettere alle fabbriche senza ancora consegnarlo. Qualunque sia il giudizio sul numero di Facet-0, il baseline al 15% è il dato utile: è una misura pubblicata di quanto le policy basate solo sulla visione restino lontane dalle tolleranze richieste dal montaggio reale.