Vesta: Un modelo de razonamiento encarnado generalista

Resumen

Los robots que operan en entornos de mundo abierto deben integrar de manera fluida localización, razonamiento espacial, navegación y planificación a largo plazo. Si bien los modelos especialistas sobresalen en tareas individuales, implementar una pila de modelos múltiples resulta computacionalmente costoso y propenso a errores en cascada. Presentamos Vesta, un generalista corpóreo unificado que consolida estas capacidades en un único modelo fundacional. Nuestro enfoque combina un corpus curado diverso y masivo diseñado para inducir anclaje espacial, junto con un sencillo aprovechamiento de memoria multimodal que permite el razonamiento en horizontes temporales extendidos. En diversos puntos de referencia, Vesta supera en promedio en más del 20% a las líneas base de última generación individuales, y en más del 10% a un conjunto de líneas base mejores por categoría, demostrando así que un modelo generalista puede igualar o superar a los especialistas. En tareas robóticas del mundo real que requieren memoria y razonamiento, Vesta mejora el éxito en las tareas en más del 35%. Nuestro trabajo demuestra, por tanto, que un único generalista es una alternativa factible, escalable y, presumiblemente, preferible a la combinación de especialistas.

English

Robots operating in open-world environments must seamlessly integrate localization, spatial reasoning, navigation, and long-horizon planning. While specialist models excel at individual tasks, deploying a multi-model stack is computationally expensive and prone to cascading errors. We present Vesta, a unified embodied generalist that consolidates these capabilities into a single foundation model. Our approach combines a diverse and massive curated corpus designed to induce spatial grounding and a simple multimodal memory harness that enables reasoning over extended time horizons. Across diverse benchmarks, Vesta on average beats individual SOTA baselines by >20% and beats an ensemble of per-category-best baselines by >10% -- thus demonstrating that a generalist model can match or exceed specialists. On real-world robotic tasks requiring memory and reasoning, Vesta improves task success by >35\%. Our work thus demonstrates that a single generalist is a feasible, scalable, and arguably preferable alternative to combining specialists.