Vesta : un modèle de raisonnement incarné généraliste

Résumé

Les robots opérant dans des environnements ouverts doivent intégrer de manière transparente la localisation, le raisonnement spatial, la navigation et la planification à long terme. Si les modèles spécialisés excellent dans des tâches individuelles, le déploiement d'une pile multi-modèles est coûteux en calcul et sujet à des erreurs en cascade. Nous présentons Vesta, un généraliste incarné unifié qui consolide ces capacités en un seul modèle fondation. Notre approche combine un corpus diversifié et massif, conçu pour induire un ancrage spatial, ainsi qu'un simple harnais de mémoire multimodale permettant un raisonnement sur des horizons temporels étendus. Sur divers benchmarks, Vesta bat en moyenne les bases de référence SOTA individuelles de plus de 20 % et bat un ensemble des meilleures bases de référence par catégorie de plus de 10 % — démontrant ainsi qu'un modèle généraliste peut égaler ou dépasser les spécialistes. Sur des tâches robotiques réelles nécessitant mémoire et raisonnement, Vesta améliore le taux de réussite des tâches de plus de 35 %. Notre travail montre donc qu'un unique généraliste constitue une alternative réalisable, évolutive et, sans doute, préférable à la combinaison de spécialistes.

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.