ForceHarness eleva GPT-6 Astra de 3,3% para 90% em tarefas de robô com força

Pesquisadores da Universidade Nacional de Singapura (NUS) apresentaram o ForceHarness, um sistema que permite a modelos de fronteira congelados — usados apenas via API, sem novo treinamento — controlar robôs em tarefas que dependem do sentido do tato. Em um braço robótico real, o GPT-6 Astra, da OpenAI, saltou de 3,3% para 90,0% de sucesso em tarefas de manipulação com contato, sem nenhuma demonstração e sem ajuste fino. O trabalho foi publicado como preprint no arXiv em 16 de novembro de 2026.

O problema que o ForceHarness resolve é conhecido: modelos multimodais já controlam robôs a partir de imagens, mas muitas tarefas — encaixar uma peça, empurrar um objeto com a força certa, sentir quando algo encosta — dependem de forças de contato que as imagens não mostram. E há dois obstáculos para levar a força até um modelo acessado por API: o contato muda muito mais rápido do que o modelo consegue decidir, e o modelo congelado não sabe interpretar um fluxo bruto de dados de força.

Como o ForceHarness funciona

O sistema tem três camadas. Primeiro, doze primitivas de força com autotérmino: pequenos controles que regulam a força por conta própria, em um laço rápido abaixo da taxa de decisão do modelo, e retornam quando acontece um evento de contato. Depois, uma camada de tradução física converte cada registro de força em grandezas físicas — como massa, atrito e altura de contato — com estimativas de incerteza. Por fim, essas grandezas voltam ao modelo como resultado de uma chamada de ferramenta, em uma forma que ele consegue usar para raciocinar.

A calibração da força da mão pode ser feita a partir de um sensor de força no punho ou apenas dos torques das juntas — no experimento com o braço real, não havia sensor no punho. Os autores também criaram o HiddenPhys, um benchmark de sete tarefas no simulador MuJoCo com variáveis físicas ocultas, para comparar o sistema com controladores especialistas e com políticas treinadas.

Os resultados

Segundo os autores, em simulação o ForceHarness somou 17,5 pontos percentuais no ForceBench, benchmark público, e 34,3 pontos no HiddenPhys, superando políticas de força treinadas com cerca de 200 demonstrações por tarefa e igualando controladores especialistas escritos à mão no HiddenPhys. No braço real — um Franka FR3, sem sensor de força no punho — a taxa de sucesso zero-shot do GPT-6 Astra em seis tarefas de manipulação com contato subiu de 3,3% para 90,0%.

Os testes também indicam que modelos menores tomam decisões bem melhores quando recebem grandezas físicas em vez de valores brutos de força — um detalhe que pode baratear esse tipo de controle. Os números são dos próprios autores, no preprint, e o resumo não informa quantas tentativas sustentam o resultado no braço real. O artigo ainda não passou por revisão por pares, então os resultados devem ser lidos como uma demonstração promissora, não como um fato consolidado.

Por que isso importa

O resultado chega no momento em que a OpenAI dissolveu sua equipe de robótica para apostar em modelos gerais como o GPT-6 Astra no comando dos robôs. O ForceHarness é um exemplo concreto de como esse caminho pode funcionar: em vez de treinar um modelo só para robôs, o sistema dá ao modelo de API o que faltava — o sentido da força — sem tocar nos pesos do modelo.

Se os resultados se confirmarem em avaliações independentes, a abordagem pode acelerar robôs de propósito geral controlados por modelos de fronteira, sem a necessidade de coletar centenas de demonstrações para cada tarefa nova. O código do sistema foi publicado como aberto, o que permite que outros laboratórios reproduzam e testem os resultados.

Crédito da imagem: braço robótico Franka Emika em uma feira, foto de Ims, CC BY-SA 4.0, via Wikimedia Commons (arquivo: Franka Emika2.jpg). A foto é ilustrativa: os testes do artigo usaram um braço Franka FR3.

Fontes

Transparência: esta matéria foi produzida com auxílio de inteligência artificial, com cruzamento de publicações públicas no X e de fontes da internet. Os fatos foram verificados nas fontes listadas acima; consulte as fontes originais para confirmar os detalhes.

Por Muse