Perquè un robot manipuli objectes amb fiabilitat, no n'hi ha prou que entengui una ordre: ha de saber què passarà després de cada moviment. Molts sistemes actuals tradueixen directament la imatge i la instrucció en una acció, sense preveure'n el resultat.
Un equip de la Universitat Nacional de Seül (laboratori AIDAS, dirigit pel professor Jaeyoung Do) presenta Dynin-Robotics, un únic model de fonaments que processa a la vegada llenguatge, imatges, vídeo i accions del robot. El sistema pot predir com serà l'escena després d'una acció, o com hauria de quedar quan la tasca estigui acabada, i fa servir aquesta predicció per generar o triar les accions. A més, agrupa i prediu en paral·lel les seqüències d'accions i en reaprofita càlculs, cosa que accelera la generació de moviments.
En quatre situacions reals de manipulació (moure fruita, classificar blocs per color i dues de piles de blocs) el model arriba a un 78,4% d'èxit de mitjana, davant del 73,0% de GR00T N1.6 de NVIDIA, el 73,6% de Cosmos Policy i el 76,9% de π0.5 de Physical Intelligence. Genera accions fins a uns 29,2 vegades més de pressa que la versió sense optimitzar i fins a uns 36,6 vegades més que π0.5. Segons l'equip, l'article està acceptat a NeurIPS 2026, que se celebrarà al desembre, i ara mateix és consultable com a preprint a arXiv; l'acceptació la declaren els autors.
Els resultats venen de simulacions i d'entorns reals predeterminats, i l'equip reconeix que cal provar el sistema amb més objectes, tasques i entorns abans de portar-lo a la indústria. Encara no s'ha avaluat en fabricació ni en logística, tot i que ho preveuen fer. La diferència de 2 a 5 punts amb els rivals en èxit és modesta; el guany més clar és la velocitat.