Generalist presenta GEN-1, un modelo de IA de uso general para sistemas físicos

Para desarrollar GEN-1, Generalist ha mejorado la estabilidad del entrenamiento, ha creado núcleos personalizados, ha ideado nuevos métodos de atención por páginas para la inferencia en tiempo real, ha perfeccionado las técnicas posteriores al entrenamiento y ha mejorado los controles para lograr un funcionamiento más fluido y preciso. | Fuente: Generalist AI

Generalist AI Inc. presentó ayer su modelo de IA de uso general GEN-1 para robótica. La empresa afirma que el sistema eleva las tasas medias de éxito en las tareas al 99 %, frente al 64 % de los modelos anteriores. Además, completa las tareas aproximadamente tres veces más rápido que los métodos actuales, logrando estos resultados con solo una hora de datos del robot por tarea, según Generalist.

Fundada en 2024, la empresa desarrolla modelos base incorporados para robots versátiles. Con sede en San Mateo, California, Generalist afirma que GEN-1 «abre las puertas a la viabilidad comercial en un amplio espectro de aplicaciones». Este lanzamiento se produce tan solo cinco meses después de su modelo GEN-0, que según la empresa confirmó la existencia de leyes de escalabilidad en robótica.

Aunque se muestra optimista sobre el avance del modelo de IA, Generalist reconoció que GEN-1 no puede resolver todas las tareas. La startup añadió que algunas aplicaciones del mundo real requerirían tasas de éxito superiores al 99 % para resultar útiles en la práctica.

Nota del editor: En la Robotics Summit & Expo 2026, que se celebrará los días 27 y 28 de mayo en Boston, se ofrecerán sesiones sobre el desarrollo de la IA incorporada y física. El plazo de inscripción ya está abierto.

GEN-1 se entrena con datos del mundo real, ampliando GEN-0

GEN-1 se basa en los cimientos de GEN-0 mediante una mayor ampliación y mejoras algorítmicas para comenzar a dominar tareas básicas, explicó Generalist AI. El modelo se entrenó desde cero con el conjunto de datos de la empresa, que comprende medio millón de horas de datos del mundo real.

Con GEN-0, Generalist demostró que el aprendizaje de los robots puede ampliarse de manera generalizada, de forma similar al progreso predecible observado en los modelos de lenguaje. La empresa señaló que todas las tareas «zero-shot» que supervisó mostraron una mejora simultánea. Sin embargo, admitió que el rendimiento del modelo «no era suficiente para su implementación comercial».

GEN-1 es el resultado de un aumento de los datos y de la escalabilidad computacional, acelerado por avances algorítmicos, afirmó Generalist. La empresa informa de que algunas tareas están alcanzando ahora el umbral de rendimiento necesario para un uso en el mundo real económicamente viable.

La empresa señaló que los modelos de robótica general anteriores que alcanzaban una tasa de éxito superior al 90 % se basaban en conjuntos de datos de teleoperación masivos, costosos y difíciles de escalar. Por el contrario, el modelo base tanto para GEN-0 como para GEN-1 se entrena sin ningún dato específico de robots.

En su lugar, el modelo utiliza datos de dispositivos wearables de bajo coste que llevan personas que realizan millones de actividades. Generalist afirma que ha demostrado que este enfoque de preentrenamiento puede conducir a altos niveles de dominio sin necesidad de grandes conjuntos de datos de teleoperación o simulación.

Generalist aprovecha los avances en múltiples tecnologías

Según Generalist AI, GEN-1 incorpora innovaciones en el preentrenamiento que mejoran la eficiencia computacional. Los avances en técnicas de postentrenamiento, el aprendizaje a partir de la experiencia (aprendizaje por refuerzo), la orientación humana multimodal y los nuevos métodos de tiempo de inferencia también contribuyeron a un mayor rendimiento en cualquier tarea dada.

Más allá de estas mejoras, la empresa afirmó que GEN-1 representa un aumento significativo en la escala computacional en comparación con su predecesor. «Demostró la capacidad de aprender rápidamente nuevas tareas, adaptarse a nuevos entornos y mostrar momentos de sentido común físico», señaló Generalist.

La empresa afirma que GEN-1 es un sistema de aprendizaje eficiente en el uso de datos. En ciertas pruebas, el modelo alcanzó un rendimiento comparable al de GEN-0 utilizando diez veces menos datos específicos de la tarea y menos pasos de ajuste fino.

Dado que el conjunto de datos de preentrenamiento no contiene datos de robots, cuando GEN-1 se adapta a una nueva tarea, está aprendiendo simultáneamente tanto la encarnación específica del robot como la propia tarea por primera vez, explicó Generalist.

GEN-1 mejora la fiabilidad y la inteligencia de improvisación

«Los modelos base incorporados deben ser fiables, rápidos y capaces de recuperarse de situaciones inesperadas», afirmó Generalist. En cuanto a la fiabilidad, la empresa declaró que GEN-1 puede realizar varias tareas con altos niveles de fiabilidad durante largos periodos sin intervención humana.

La empresa demostró el funcionamiento de GEN-1 en seis tareas: preparar kits de piezas de automóvil durante más de una hora, doblar camisetas 86 veces consecutivas, realizar el mantenimiento de robots aspiradores más de 200 veces seguidas, empaquetar bloques más de 1800 veces consecutivas, doblar cajas más de 200 veces seguidas y empaquetar teléfonos más de 100 veces sin parar.

Las tareas entrenadas desde cero sin preentrenamiento mostraron un rendimiento deficiente, con una tasa de éxito media del 19 %. Los modelos GEN-0 ajustados para estas tareas alcanzaron un 64 % de éxito. Generalist afirma que GEN-1 alcanza tasas de éxito a nivel de producción, con una media del 99 %.

Generalist afirmó que estos modelos pueden responder de forma creativa a situaciones imprevistas. En el ejemplo del kitting automovilístico, si una arandela se salía de su alineación correcta, el robot podía dejarla en el suelo para volver a agarrarla, insertarla parcialmente en una ranura para demostrar destreza extrínseca, o incluso utilizar su otra mano para volver a agarrarla con ambas manos.

Si objetos grandes y deformables, como camisetas, acabaran en configuraciones inesperadas, el modelo podría averiguar cómo recuperarse, según Generalist. «Estos comportamientos quedan muy fuera de la distribución del entrenamiento y contribuyen directamente a la recuperación ante eventos raros e inesperados», señaló la empresa.

El modelo de Generalist acelera la finalización de las tareas

Generalist AI afirmó que GEN-1 completa las tareas aproximadamente tres veces más rápido que el estado actual de la técnica (SOTA) en las demostraciones. El modelo puede reaccionar dinámicamente a la física de nuevos objetos.

Por ejemplo, GEN-1 puede montar una caja en 12,1 segundos. Generalist afirma que esto es 2,8 veces más rápido que el SOTA anterior: tanto GEN-0 como π0 tardaban unos 34 segundos en cajas idénticas. GEN-1 también puede guardar un teléfono en una funda en 15,5 segundos, operando a una velocidad 2,8 veces superior a la de GEN-0.

Según Generalist, varios componentes han permitido estas mejoras en la velocidad. Los modelos aprenden de la experiencia y representan una evolución en la inferencia a través del razonamiento armónico.

La empresa también atribuyó el mérito a sus dispositivos de recopilación de datos por proporcionar a los modelos acceso a una amplia gama de datos de preentrenamiento al completar otras tareas a gran velocidad, transfiriendo el conocimiento de la exposición general a dinámicas relevantes. Generalist contrastó esto con los sistemas de teleoperación tradicionales, que producen de forma natural datos más lentos y menos fluidos debido a la falta de retroalimentación de fuerza, la latencia y los problemas de visibilidad.

«Desarrollar GEN-1 fue todo un reto: rediseñamos nuestra infraestructura de entrenamiento distribuida para que admitiera de forma nativa petabytes de datos de interacción física», afirmó Generalist AI. La empresa anunció que los socios con acceso anticipado ya pueden acceder al modelo.