GigaAI dévoile GigaWorld-Policy-0.5, un WAM edge à 85 ms

Un nouveau papier signé par GigaAI et Tsinghua University défend une thèse simple: pour qu'un World Action Model soit vraiment utile en robotique, il faut arrêter de générer explicitement des vidéos futures au moment de l'inférence. Publié sur Hugging Face, GigaWorld-Policy-0.5 conserve la vidéo comme supervision dense pendant l'entraînement mais permet un décodage uniquement centré sur l'action au déploiement.

L'astuce est architecturale. Les auteurs adoptent une structure Mixture-of-Transformers qui sépare la modélisation des dynamiques visuelles et la génération d'actions dans deux experts spécialisés, un expert visuel avec dimension cachée 3072, un expert action plus léger à 1024. Résultat annoncé: 189 ms de latence sur A100, 110 ms sur RTX 4090, puis 85 ms une fois le runtime déployé en C++, contre 225 ms pour π0.5 et 229 ms pour FastWAM dans les mêmes conditions torch-compiled.

Les gains ne sont pas seulement sur la vitesse. Sur un bras AgileX PiPER 6-DoF, le modèle atteint un taux de succès moyen de 0.85 sur la tâche de fruit-picking et 0.77 sur trois tâches long-horizon (Food Heating, Solid Weighing, Tableware Arrangement), soit +0.20 absolu et +35% relatif par rapport à la meilleure baseline Motus. Sur les mêmes tâches longues, π0.5 plafonne à 0.50 en moyenne.

L'autre contribution, plus discrète mais peut-être plus intéressante pour les équipes qui entraînent des VLA, tient au pipeline AutoResearch: un agent qui lance des pilotes de 1K steps, compare les métriques de validation et promeut les configurations retenues. Sur cette étude, il retient un learning rate de 6×10⁻⁵ et une batch size de 16, avec un checkpoint optimal à 30K steps, à partir de 3.9 heures de démonstrations (930 épisodes, dont 300 en entraînement et 30 en validation).

La mise en garde honnête tient à l'évaluation. Les taux de succès reposent sur 10 essais par tâche sur un seul bras robotique dans des scènes contrôlées, et le papier ne rapporte pas de tests hors distribution ni de comparaison multi-embodiment. Ce que le rapport ne donne pas non plus, c'est la disponibilité des poids ni le coût d'entraînement complet, alors que le pré-entraînement s'appuie sur 2K heures de données robot filtrées et sur les poids visuels de GigaWorld-1. Pour qui construit un contrôleur robotique embarqué, la direction est claire: l'inférence action-only sur MoT rend le déploiement edge viable, et le prochain terrain de compétition sera moins la génération vidéo elle-même que la manière de s'en servir seulement au bon moment.