ACE-Brain-0.6 a été officiellement publié par Daxiao Robotics le 19 octobre 2026. Ce modèle de fondation incarné de 9 milliards de paramètres ne se mesure qu'à une chose : permettre à un robot de voir exactement où se trouve une cible, où la saisir et où elle peut être déposée. Dans les huit évaluations d'ancrage spatial visuel publiées par Daxiao, il a devancé le GPT-6 Astra d'OpenAI dans six cas, et l'a emporté de justesse sur la moyenne des sept référentiels publics, 74,53 contre 73,68. Ces résultats proviennent de documents publiés par Daxiao, et le Shanghai Observer a explicitement noté dans son article qu'ils attendaient encore une vérification par des tiers — cette réserve doit figurer d'emblée.
Il ne se mesure pas à la conversation, mais à la précision du pointage
L'ancrage spatial visuel (visual grounding) consiste à projeter une instruction en langage sur une position physique : quand l'utilisateur dit « mets le fruit dans le panier », le modèle doit identifier le fruit et le panier, et juger le bord du panier, la surface d'appui, le point de préhension et la direction du mouvement. Selon l'analyse de Daxiao, les modèles multimodaux généraux comme GPT-6 Astra raisonnent déjà très bien, mais se trompent encore sur la localisation géométrique fine et les relations spatiales complexes ; dans un échange de questions-réponses, un petit écart est sans conséquence, alors que pour un robot, quelques centimètres à côté signifient une préhension ratée. ACE-Brain-0.6 intègre reconnaissance d'objets, localisation multi-instances, compréhension des relations spatiales, reconnaissance des zones fonctionnelles, prédiction des points d'interaction et jugement « la cible n'existe pas » dans un seul système de perception spatiale conçu pour combler précisément ce manque. Il repose sur Qwen3.5-9B, avec l'encodeur visuel gelé et seuls les paramètres du modèle de langage affinés.
Une fois les scores décomposés, la victoire est inégale
| Évaluation | ACE-Brain-0.6 | GPT-6 Astra |
|---|---|---|
| Where2Place | 76.55 | 71.10 |
| PixMo-Count | 89.41 | 88.10 |
| RoboSpatial | 74.82 | 69.55 |
| RoboAfford | 88.51 | 84.94 |
| ShareRobot | 49.70 | 46.60 |
| RobotGrounding (propre à Daxiao) | 94.13 | 91.10 |
Les écarts les plus nets portent sur les relations spatiales et les zones fonctionnelles, l'avance en comptage est faible, et la moyenne des sept référentiels publics ne diffère que de 0,85 point — une victoire de spécialiste au sein de la même catégorie, pas un saut de génération. RobotGrounding est le jeu d'évaluation propre à Daxiao, avec 2 591 questions réparties en 14 types de tâches ; une avance obtenue là doit donc être relativisée. L'élément le plus notable de cet ensemble de résultats est le jugement « la cible n'existe pas » : quand la scène ne contient pas l'objet demandé, le modèle doit le dire clairement au lieu d'inventer une position — un plancher de sécurité pour les robots entrant dans des environnements réels. Une voie comparable de petit modèle est apparue récemment avec le modèle robotique REKI, qui reposait lui aussi sur des données publiques et une optimisation spécialisée.
Un million d'échantillons vérifiables : le vrai cœur de cette annonce
ACE-Brain-0.6 a été entraîné sur environ un million d'échantillons couvrant quelque 940 000 images et 2,7 millions de paires question-réponse. L'équipe a intégré plus de 30 familles ouvertes de données robotiques à des données privées en vue subjective, sélectionné les images clés des vidéos de manipulation selon l'état du préhenseur et l'amplitude du mouvement, et utilisé des outils de vision comme Grounding DINO et SAM 3 pour la localisation, la reconnaissance de zones et la correction sémantique, convertissant des données hétérogènes en signaux de supervision dotés de preuves visuelles explicites. Des expériences contrôlées montrent qu'à architecture et méthode d'entraînement inchangées, passer de 260 000 à un million d'échantillons a relevé la moyenne des sept référentiels publics de 69,3 à 74,5, environ 2,4 points par doublement ; mais ajouter uniquement des échantillons de types existants n'a rapporté que moins d'un point — ce qui a fonctionné, ce sont les nouvelles scènes, les nouvelles relations spatiales et les nouvelles formes de supervision. Cette conclusion est l'enseignement le plus utile pour les pairs : le goulot des données incarnées est la diversité et la vérifiabilité, pas le volume brut.
Il reste une distance avant que les robots travaillent vraiment
La douche froide : les évaluations d'ancrage mesurent des jugements de localisation sur des images fixes, pas le taux de réussite d'un robot qui saisit et dépose des objets en continu dans une scène réelle. Changements de lumière, occlusions, déformations d'objets et erreurs d'exécution du préhenseur grignotent les scores hors référentiel. Daxiao n'a pas publié cette fois de taux de réussite sur robots réels, ni précisé si les poids du modèle seront ouverts. Tant que ces informations manquent, ACE-Brain-0.6 se lit au mieux comme une preuve de direction convaincante : un modèle de classe 9B, nourri de données spécialisées de haute qualité, peut égaler ou battre un modèle général de premier plan sur une seule capacité clé — quant à savoir s'il rendra les robots plus fiables au travail, il faudra attendre les données des machines réelles.
