InternVLA-A1.5: o robô que imagina o próximo segundo antes de mover o braço

Os modelos VLA — vision-language-action, a família de redes que traduz câmeras e instruções em movimentos de robô — têm um desequilíbrio conhecido. Herdam dos modelos de visão e linguagem uma compreensão semântica sofisticada ("isso é uma caneca, aquilo é uma pia"), mas entendem pouco de dinâmica física ("se eu empurrar a caneca assim, ela desliza ou tomba?"). O InternVLA-A1.5, publicado no domingo pelo grupo InternRobotics, ataca exatamente essa lacuna — e com uma solução mais econômica que a força bruta habitual.

A ideia central: antes de agir, o modelo prevê o futuro imediato da cena. Mas em vez de gerar os pixels dos próximos quadros — caro, lento e cheio de detalhes irrelevantes —, ele responde a uma pergunta comprimida: tokens aprendíveis "consultam" o estado futuro num espaço latente, e um modelo de geração de vídeo congelado atua como professor, supervisionando se essa imaginação condensada está correta.

O truque: prever sem renderizar

A reformulação — que os autores chamam de latent-querying — resolve dois problemas de uma vez. O primeiro é custo: gerar vídeo em pixels durante a inferência tornaria o robô lento demais para tarefas dinâmicas; consultar um espaço latente é ordens de grandeza mais barato. O segundo é foco: o que importa para agarrar um objeto é a tendência do movimento, não a textura da mesa — e a representação latente captura o essencial sem o supérfluo.

O desenho também preserva o que já funciona. O backbone de visão e linguagem permanece intacto, treinado com tarefas de perguntas visuais e previsão de subtarefas — de modo que a semântica herdada não se degrada. A execução fica a cargo de um especialista em ação leve, acoplado ao conjunto. É a arquitetura de três papéis (entender, antecipar, agir) da versão A1, agora com a antecipação terceirizada a um professor congelado em vez de aprendida do zero.

O que "generalização composicional" quer dizer aqui

O termo do título é a promessa mais ambiciosa do trabalho. Generalização composicional é a capacidade de recombinar habilidades conhecidas em situações inéditas — se o robô aprendeu a pegar a caneca vermelha na mesa e a guardar a azul no armário, deveria conseguir guardar a vermelha no armário sem nunca ter visto essa combinação. É trivial para humanos e notoriamente difícil para políticas de robô, que tendem a decorar trajetórias inteiras.

A aposta dos autores é que a previsão latente é justamente a cola composicional: quem sabe antecipar a consequência física de um gesto consegue recombinar gestos com mais liberdade. Os resultados — liderança nos seis benchmarks de simulação testados e execução de tarefas longas no mundo real — sustentam a tese dentro do escopo avaliado.

A régua honesta

Como sempre em robótica, convém traduzir "estado da arte" para seu tamanho real. Benchmarks de simulação, mesmo os bons, são mundos bem-comportados; os ganhos em laboratório historicamente encolhem no chão de fábrica. E a comparação fina com a geração anterior — o A1 reportava ganhos de +4,4% em manipulação estática e +26,7% em tarefas dinâmicas — depende de tabelas que ainda serão dissecadas pela comunidade.

Também vale lembrar o que o dado de treino diz dos limites: 1,2 milhão de episódios é muito para os padrões da robótica e quase nada para os padrões dos LLMs. A escassez de dados de interação física continua sendo o gargalo estrutural da área — e é por isso que técnicas que extraem mais aprendizado do mesmo dado, como a consulta latente, valem mais que um ponto percentual de benchmark.

Onde isso se encaixa na corrida dos VLAs

O InternVLA-A1.5 chega num momento de efervescência da robótica aberta chinesa — o ecossistema InternRobotics, ligado ao Shanghai AI Laboratory, vem publicando modelos, dados e frameworks em cadência industrial. A semana também trouxe o EVA-Client, framework aberto para implantar e avaliar políticas em robôs reais, segundo paper mais votado do Hugging Face.

O padrão que emerge é claro: a fronteira da manipulação robótica está migrando de "políticas que reagem" para "políticas que antecipam" — e a forma mais barata de antecipar, ao que tudo indica, não é imaginar o vídeo do futuro, mas fazer a pergunta certa a quem já sabe imaginá-lo.

Perguntas Frequentes

O que é um modelo VLA?

VLA (vision-language-action) é uma rede neural que une percepção visual, compreensão de linguagem e controle motor: recebe imagens de câmera e uma instrução em linguagem natural ("guarde a caneca no armário") e produz diretamente os comandos de movimento do robô.

O que o InternVLA-A1.5 faz de diferente?

Em vez de gerar vídeo do futuro em pixels para antecipar a cena — abordagem cara demais para inferência em tempo real —, ele usa tokens aprendíveis que consultam o estado futuro num espaço latente, supervisionados por um modelo de geração de vídeo congelado. Isso preserva a velocidade de execução e a semântica do backbone de visão e linguagem.

Esses resultados valem para robôs no mundo real?

Parcialmente. O modelo lidera seis benchmarks de simulação e os autores demonstram generalização composicional e tarefas longas em robôs reais, mas benchmarks simulados são ambientes controlados — a transferência para ambientes não estruturados continua sendo o teste decisivo de qualquer política robótica.