Un modelo de lenguaje de 4.000 millones de parámetros entrenado con aprendizaje por refuerzo completó el 90 por ciento de los kickflips simulados en una tormenta con el reloj corriendo, mientras que GPT-6 Astra de OpenAI no logró ninguno en tiempo real. Los investigadores probaron las acrobacias en un simulador de física de un Tesla Roadster volador, y el estudio abarca solo dos acrobacias en una sola configuración.

Un modelo de lenguaje pequeño entrenado con aprendizaje por refuerzo hizo volar un Tesla Roadster simulado a través de dos acrobacias del evento de presentación del auto, el 15 de octubre, de forma más confiable que GPT-6 Astra de OpenAI y varios modelos abiertos líderes, según los investigadores. El modelo de 4.000 millones de parámetros completó el 90 por ciento de los kickflips en una tormenta simulada mientras el reloj estaba corriendo. Astra completó el 74 por ciento en las mismas condiciones cuando se le permitió tiempo ilimitado para pensar, y en tiempo real no completó ninguno.

Las acrobacias fueron las que Tesla mostró en la presentación: una rampa que voltea el auto boca abajo y un kickflip sobre una Cybertruck estacionada. En el evento, el auto salió de la rampa, se enderezó en el aire y aterrizó, luego usó propulsores para saltar sobre la camioneta. Elon Musk dijo en X que la demostración ya se había aplazado dos semanas por los fuertes vientos. Eso planteó una pregunta que los investigadores quisieron probar: ¿cómo manejaría un modelo de lenguaje los controles con ese viento?

Para averiguarlo, construyeron un entorno de aprendizaje por refuerzo alrededor de un simulador de física de un roadster volador. El auto es un cuerpo rígido de 4,5 metros de largo y 2.000 kilogramos en seco, con cuatro propulsores de gas frío en las esquinas de su piso. A cada vuelo se le asignó una banda de viento: leve, vendaval o tormenta, y los vientos de tormenta alcanzaban los 33 metros por segundo. Las ráfagas se sumaban al viento promedio, y un auto que caía plano capturaba mucho más viento.

A los modelos de lenguaje no se les entregaron los controles de la forma habitual. Tenían que enviar un comando cada 0,2 segundos de tiempo simulado mientras el auto seguía avanzando. Los comandos incluían planear, subir, mantener, rotar y aterrizar, y una computadora de vuelo convertía cada uno en empuje para los cuatro propulsores. Un vuelo se consideraba exitoso solo si el auto terminaba apoyado sobre las cuatro ruedas en la pista de 14 metros, con una inclinación de alrededor de 20 grados o menos respecto a la horizontal, y sin estrellarse.

¿Cambia el resultado que el reloj esté corriendo?

Los resultados dependieron en gran medida de que el reloj siguiera corriendo. Los investigadores probaron los modelos abiertos DeepSeek V4.1 Flash, Muse Spark Open de Meta, Beam 1.0 de Reflection y Nemotron 3.5 Super VL de NVIDIA. Cuando el simulador esperaba la respuesta de cada modelo, DeepSeek completó el 98 por ciento de los kickflips con viento leve y el 87 por ciento en tormenta. Muse, Nemotron y Beam completaron entre el 58 y el 82 por ciento, según el viento. Una vez que el reloj corrió, los cuatro completaron el 0 por ciento de los kickflips. Su tiempo mediano de decisión estuvo entre uno y seis segundos, así que cuando llegaba una respuesta, el auto ya había avanzado.

Los investigadores también hicieron volar a GPT-6 Astra y a Jev 1.14 de TypeSafe, un modelo diseñado para decisiones rápidas que elige entre un menú de comandos. Astra tardó unos dos segundos por decisión y no logró ninguno de sus 768 vuelos de tormenta en tiempo real. Jev responde en unos 0,17 segundos, lo suficientemente rápido para el reloj, pero solo completó el 2 por ciento de los kickflips en tormenta en vivo.

El propio modelo del equipo partió de Qwen3-4B-Instruct-2507, usando un pequeño conjunto de pesos adicionales que se entrenan mientras el modelo base permanece congelado. El entrenamiento tuvo dos etapas. Primero, un ajuste fino supervisado con vuelos exitosos, copiados de un piloto escrito a mano basado en reglas en viento leve y de los vuelos exitosos de DeepSeek en vendaval y tormenta. Luego vino el aprendizaje por refuerzo, en el que el modelo practicó 60 pasos de vuelos en los tres niveles de viento, contando dos veces los vuelos en tormenta. El modelo final tardó unas cuatro horas de GPU, o aproximadamente 13 dólares a la tarifa de los investigadores.

¿Superó el modelo pequeño a GPT-6 Astra en la simulación?

El modelo entrenado responde en 0,09 segundos, lo que lo mantiene dentro del intervalo de 0,2 segundos. Completó el 96 por ciento de los kickflips con viento leve, el 96 por ciento con vendaval y el 90 por ciento en tormenta, con el simulador corriendo en tiempo real. Frente a DeepSeek con tiempo ilimitado, la diferencia no fue lo bastante grande como para considerarla significativa en tormentas, aunque los investigadores afirmaron que el modelo de 4.000 millones de parámetros iba por delante. Frente a Astra con tiempo ilimitado, en los mismos 384 kickflips de tormenta, el modelo de 4.000 millones logró 347 vuelos exitosos contra 286 de Astra, una diferencia que los investigadores calificaron como estadísticamente significativa.

¿Cuáles son los límites de este estudio?

Los investigadores fueron cuidadosos al explicar lo que significan los resultados. El entorno, los parámetros del vehículo y las acrobacias son supuestos propios, y el estudio abarca dos acrobacias en una sola configuración simulada. El entrenamiento en tormenta del modelo de 4.000 millones de parámetros también incluyó vuelos aprendidos de DeepSeek, por lo que la comparación no es del todo entre desconocidos. El piloto basado en reglas todavía decide de forma instantánea, y los investigadores señalaron que un auto real probablemente usaría un controlador convencional en lugar de un modelo de lenguaje. Dijeron que no habían probado una política de controlador clásico en el simulador y que esperarían que este completara casi todos los vuelos.

El equipo publicó el entorno, los prompts y los archivos de configuración en un repositorio de código abierto, junto con las herramientas necesarias para ejecutar otros modelos contra el benchmark. Los investigadores afirmaron que construyeron la canalización de entrenamiento sobre SkyPilot, una herramienta de código abierto para ejecutar trabajos en GPU de la nube y de Kubernetes.

Este artículo fue escrito con la asistencia de IA.
News Factory APP - noticias agénticas para impulsar tu SEO y AEO.