Por qué GPT-6 Astra empezó a entender el espacio y qué significa para el 3D y los robots

A inicios de septiembre, OpenAI lanzó GPT-6 Astra, y dos tipos de videos se viralizaron rápidamente. En unos, arma desde cero en Blender una casa totalmente amueblada y luego la exporta a Unreal Engine 5, donde puedes entrar, abrir puertas, prender las luces y usar la máquina de espresso. En otros, dirige brazos robóticos y humanoides.

¿Cómo es que un modelo de lenguaje, de repente, empezó a manejar tan bien el espacio? ¿OpenAI lo optimizó específicamente para eso? ¿Y qué significa este camino para la generación 3D y para el “cerebro” de los robots? Leímos el anuncio de OpenAI, su tarjeta de sistema y su blog para desarrolladores, las evaluaciones con robots publicadas desde entonces y los análisis de varios investigadores. En resumen:

• Los avances son reales, pero disparejos: el 3D, la localización visual y las tareas interactivas dieron un salto, mientras que la inteligencia general casi no se movió.
• Los resultados en robótica dependen mucho de la interfaz. El mismo modelo, usado de otra manera, obtiene puntajes muy distintos.
• Lo más probable es que la habilidad venga de practicar en entornos con calificación automática, no de una arquitectura nueva.
• En la generación 3D y en el cerebro de los robots, hay que esperar una nueva división del trabajo, más que un modelo que reemplace a otro.

Las cifras oficiales: grandes avances, repartidos de forma dispareja

Comparado con GPT-5.6 Sol, su predecesor directo, estos son los números que publicó OpenAI:

• BenchCAD: 83.3% → 95.9%. El modelo ve renders de un objeto desde varios ángulos y escribe código CAD que lo reconstruye: modelado a partir de imágenes.
• ScreenSpot-Pro (sin herramientas): 76.9% → 92.7%. Tiene que señalar un botón o elemento exacto en una captura de pantalla de alta resolución de un software profesional.
• Lectura de partituras: 0.19 → 0.84 en los cuartetos de cuerda de OpenScore, es decir, convertir partituras impresas muy densas en datos musicales estructurados.
• ARC-AGI-3, un benchmark de rompecabezas interactivos: 7.8% → 66% con el entorno de evaluación estándar del benchmark, o 99.9% con el de la propia OpenAI.

En cambio, el Artificial Analysis Intelligence Index, un índice independiente, pasó de 60.9 a 61.2, por debajo del 65.7 de Claude Fable 5.1.

Es decir, Astra no se volvió más inteligente en todo. Mejoró mucho en las tareas que combinan mirar, actuar y ajustar. Yoav Artzi, investigador de Cornell y Google DeepMind, lo calificó como un “salto cualitativo” en razonamiento espacial.

Qué hizo realmente en Blender

El blog para desarrolladores de OpenAI explica paso a paso un proyecto completo. La instrucción inicial era breve: diseñar una casa bonita, con muebles minimalistas pero muy detallados y un jardín agradable, y darle a la escena un aire cinematográfico.

• Astra escribió código Python para Blender (bpy) para construir la arquitectura, la carpintería, los muebles, las plantas, los materiales, las luces y las cámaras.
• Renderizó vistas previas, buscó problemas y corrigió su propio código: plantas que se atravesaban entre sí y un fregadero de acero que se veía abollado por culpa de sus normales de superficie.
• Primero dibujó un plano para que lo aprobaran y después rehízo la casa como una vivienda de un solo piso en forma de U, con tres habitaciones y un estudio.
• Exportó la escena a Unreal Engine 5 como un recorrido en primera persona en el que funcionan las puertas, los cajones, las luces y una máquina de espresso.

Lo que entrega no es una imagen. Es una escena de Blender que puedes seguir editando.

Los límites son igual de claros:

• La geometría regular de objetos fabricados funciona bien: edificios, muebles, piezas CAD y modelos de superficie dura, como una nave espacial o una esfera de Dyson.
• Las formas orgánicas, no. Si le pides que modele una persona o una vaca, escribe el investigador Wentao Zhu, el resultado es pobre.
• En el propio proyecto de OpenAI, el bosque, los helechos y las rocas son assets existentes de Poly Haven. Un flujo de trabajo común en la comunidad genera el modelo en una herramienta 3D como Tripo y luego le pasa a Astra los materiales, las shape keys de expresiones faciales y el rigging.

Una idea explica el patrón: el código es geometría comprimida. Un gabinete son unas cuantas cajas, una extrusión y una matriz: un puñado de líneas. Una cara, un árbol o una tela que cuelga necesitan muchas más. Astra escribe programas, así que lo que cabe en un programa corto lo resuelve por su cuenta, y lo que necesita uno largo debería pasárselo a un generador especializado. La misma regla vuelve a aparecer con los robots.

Robots: resultados sólidos, pero revisa las condiciones

RoboDojo es un benchmark de robótica con 42 tareas simuladas y una tabla de posiciones de 40 políticas robóticas entrenadas. Los autores de una evaluación usaron a Astra directamente como política: sin ajuste fino, sin habilidades de agarre prefabricadas y sin profundidad. Veía las imágenes de tres cámaras a color y el estado del robot, y en cada paso indicaba a dónde debía ir el brazo.

• Astra logró una tasa de éxito promedio de 22.48% y quedó en primer lugar. Con la misma configuración, GPT-5.5 apenas llegó a 0.88%.
• El perfil es disparejo. Va adelante en tareas abiertas (31% contra 2.1% de DM0.5) y en generalización (30.5% contra 11%), pero se queda atrás en precisión (4% contra 16.8%), en tareas de horizonte largo y en memoria.

En pocas palabras: gana en las tareas que requieren comprensión y pierde en las que requieren pulso firme.

La lección más importante es cuánto depende el resultado de la interfaz:

1. Solo imágenes a color y una posición objetivo por paso (RoboDojo): 4% en tareas de precisión; de 33 pruebas con robot real conservadas alrededor de un paro de seguridad, un solo éxito completo.
2. Tres cámaras y hasta 20 llamadas al modelo por intento (las pruebas de Robocurve con brazos reales): 19 de 20 bloques dentro de un tazón, pero solo 2 de 20 piezas de rompecabezas en su ranura.
3. Una cámara de profundidad y permiso para escribir su propio código geométrico (el artículo Agent as Policy v1 · tabla 1): 4 de 5 ensambles de cuatro pares, 5 de 5 volteos de dados y construcciones con bloques de 5/5, 5/5 y 4/5, con tiempos promedio de unos 21–54 minutos en los ensayos exitosos, según la tarea.
4. Llamar a habilidades robóticas existentes o a un modelo VLA: las tareas largas se terminan. En un reporte, un sistema híbrido en el que Astra revisa y corrige las acciones de un VLA tuvo éxito el 48% de las veces, en tareas en las que Astra por sí solo lograba 26%.

Son tareas diferentes y no se pueden comparar directamente, pero apuntan en la misma dirección. El estudio de robótica que Anthropic publicó en julio encontró lo mismo: el puntaje de un modelo en robótica depende tanto del cuerpo del robot y de la interfaz de control como del modelo en sí. Cualquier afirmación sobre qué tan bueno es Astra con el espacio necesita aclarar “con qué interfaz”.

Tres cosas que hay que tener en cuenta cuando te aparezcan estas demos:

1. El video viral de “separar las piezas entrelazadas y pasar una cuerda por tres anillos” es una reproducción cinemática en simulación. La página de métodos del autor dice que empieza con las piezas ya sujetas y supone agarres ideales: muestra una trayectoria planificada, no un robot controlado en vivo.
2. “25 veces mejor que el modelo anterior” compara a Astra con GPT-5.5, no con su predecesor directo, GPT-5.6 Sol. En la comparación de ensamble de dos pares (AGP v1 · tabla 2), Sol y Claude Opus 5 también completaron 5/5 ensayos; Astra tardó un promedio de 9.2 minutos en los ensayos exitosos, frente a los 14.2 de Sol. En la comparación independiente de pirámides (AGP v1 · apéndice C, tabla 5), Astra completó 10/10 ensayos y Sol 7/10.
3. El robot de cocina HomeBody de Stanford: Astra se encarga de pensar —a dónde ir, qué tomar, qué hacer primero— e incluso construyó el gemelo digital de la cocina. Caminar, agarrar objetos y mantener el equilibrio dependen de SLAM, la estimación de profundidad, la planificación de movimiento y controladores de bajo nivel preentrenados.

De dónde viene esta capacidad

OpenAI dijo dos cosas de manera oficial: que Astra recibió un “entrenamiento dirigido a entornos profesionales” y que, al igual que sus otros modelos de razonamiento, se entrena con aprendizaje por refuerzo. No reveló los datos de entrenamiento, ni si Blender estuvo involucrado, ni si hubo datos de robots. Lo que sigue son inferencias a partir de la evidencia pública.

En el centro hay un ciclo: dar un paso, ver el resultado, encontrar qué está mal y corregirlo.

• En el trabajo, Astra escribe código de Blender, renderiza, inspecciona y edita; en un robot, mira, fija un objetivo, ejecuta, revisa y corrige. En palabras de Wentao Zhu: “Lo que hace el modelo es simple: escribir código (de Blender), renderizar, inspeccionar la imagen, encontrar qué está mal, decidir qué cambiar y repetir”.
• En el entrenamiento, ese mismo ciclo es el origen probable. Según reportes, OpenAI compró decenas de miles de Mac mini y Mac Studio para entrenar el uso de la computadora: darle al modelo una tarea, dejar que lea capturas de pantalla y envíe acciones de mouse y teclado a una Mac, y recompensar las ejecuciones que salen bien.

1. Aprendizaje por refuerzo a gran escala en entornos con calificación automática (probabilidad: media-alta). Las computadoras, el código y el software 3D pueden verificar resultados automáticamente, lo que entrena la habilidad general de revisar, encontrar el error y corregirlo. El salto de 7.8% a 66% en ARC-AGI-3, que es interactivo, es la misma señal.
2. La habilidad de señalar aprendida al usar la computadora se transfiere a los robots (media). ScreenSpot-Pro subió de 76.9% a 92.7%, así que el modelo mejoró mucho para darle a un punto exacto de una imagen. En HomeBody, Astra toma objetos indicando justo un punto así en la imagen de la cámara; la profundidad y la calibración lo convierten en una posición 3D.
3. Blender y CAD fueron, en sí mismos, entornos de entrenamiento (media-baja, sin confirmar). BenchCAD dio un salto, OpenAI pone al frente sus demos de 3D y Yoav Artzi sospecha que hubo entrenamiento con grandes cantidades de datos 3D, como escenas de Blender. Nada oficial lo confirma.
4. Una arquitectura nueva (baja). Según reportes, Astra usa profundidad recurrente en parte de la red, pero el científico en jefe de OpenAI, Jakub Pachocki, dijo que el grafo de cómputo de los modelos de frontera actuales, incluido Astra, tiene como máximo el doble de profundidad que el de GPT-4.

Nuestra lectura: lo más probable es que la habilidad espacial no venga de una arquitectura espacial dedicada, sino de convertir las tareas espaciales en entornos de práctica con calificación automática y entrenar en ellos con aprendizaje por refuerzo de propósito general.

Qué significa para la generación 3D

Hoy hay dos maneras de hacer 3D:

• Un agente maneja el motor. Como Astra en Blender o en CAD, entrega una escena editable con materiales, luces y articulaciones. Es lento —de minutos a toda una noche—, pero estructuralmente preciso, editable y verificable.
• Un modelo genera el asset. TRELLIS, Hunyuan3D, Tripo, Meshy y modelos similares producen una malla en segundos o minutos. Son buenos en formas orgánicas y en detalle, pero el resultado es difícil de editar, y la topología, las UV y el rigging muchas veces hay que rehacerlos.

Anticipamos que los dos se van a complementar mientras el valor se desplaza:

• Los agentes se quedan con los pasos que requieren más trabajo manual: distribución, iluminación, manejo de cámara, revisiones y control de calidad.
• Los generadores se vuelven herramientas para crear assets de personas, animales y plantas, y tienen que poder ser llamados por agentes, por ejemplo como servidor MCP o como API.
• Los servicios de “un prompt, un objeto” son los que enfrentan más presión. La salida lista para producción (topología limpia, UV, rigs) y la lista para simulación (articulaciones, masa, fricción) se vuelven el nuevo terreno de competencia.

La mayor oportunidad nueva no es un 3D más bonito. Es un mundo en el que se puede practicar.

• En HomeBody, Astra construyó en un simulador un gemelo digital de la cocina a partir de la geometría SLAM del propio robot, las imágenes de sus cámaras y los datos de sus articulaciones, y luego lo usó para planificar tareas.
• El equipo de Wentao Zhu demostró la física inversa: con solo un video y la fuerza de tracción, el modelo infirió la masa, la fricción y el amortiguamiento de un cajón y reprodujo el movimiento en simulación.

En otras palabras, la habilidad en 3D lleva a un mundo de práctica para robots. El problema: la masa y la fricción no se pueden deducir solo a partir de un video, así que en algún momento algo tiene que empujar un objeto real.

Los modelos de mundo nativos tampoco quedaron fuera de la carrera. Atlas, de World Labs, lanzado el 1 de septiembre, genera y reconstruye mundos 3D completos a partir de unas pocas fotos, con un realismo y una continuidad que un agente que maneja un motor no puede igualar. Lo más probable es que los dos caminos terminen llamándose entre sí.

Qué significa para el cerebro de los robots

Anticipamos que el cerebro de los robots se va a dividir en capas, en lugar de que un solo modelo lo haga todo:

• Los modelos generales se quedan con entender la tarea, planificar los pasos, elegir habilidades, diagnosticar fallas y adaptarse a robots nuevos: la “generalización semántica” de la que antes presumían los modelos VLA. En los ejes de tareas abiertas y de generalización de RoboDojo, Astra ya supera a las políticas robóticas entrenadas.
• Los modelos especializados conservan el control de alta frecuencia, el contacto, la destreza y el equilibrio de todo el cuerpo.
• El cambio es que esos modelos especializados los va a construir cada vez más el modelo general. El equipo de Wentao Zhu hizo que Astra armara una simulación, escribiera la recompensa y entrenara una política de aprendizaje por refuerzo; cerca de un día y medio después, entregó una mano diestra que hace girar un bolígrafo.

Si el lazo de control rápido se mantiene aparte, es por tres límites duros:

• Latencia: Anthropic ubica la locomoción en tiempo real en unos 83 Hz, mientras que la inferencia del modelo corre a 0.2–0.4 Hz: unos dos órdenes de magnitud de diferencia.
• Costo: aproximadamente de 1 a 27 dólares por tarea en las evaluaciones anteriores, y un robot doméstico realiza cientos de acciones al día.
• Seguridad: en la prueba RoboHarm de Robocurve, Astra rechazó 2 de 100 instrucciones peligrosas. La seguridad necesita sus propias barreras de protección, que no dependan de la nube.

El Gemini Robotics 2 de Google DeepMind, anunciado en julio, ya tiene esta forma: un modelo de razonamiento encarnado para planificar, un modelo de acción y un modelo más pequeño que corre en el propio robot.

¿Esto demuestra que los modelos autorregresivos ganan?

Hay quienes ven en Astra la prueba de que la generación autorregresiva (AR) —producir un token tras otro, como hacen los modelos GPT— lleva la ventaja. Estamos de acuerdo a medias:

• La verdadera ventaja de la AR es que la generación puede alternarse con retroalimentación externa: escribir algo de código, ejecutarlo, ver el resultado y seguir escribiendo. Un modelo de difusión produce todo el resultado de una vez y le cuesta incorporar retroalimentación a medio camino.
• La AR también se adapta bien a estructuras discretas y de longitud variable, como programas, grafos de escena y topología de mallas, y reutiliza la infraestructura de entrenamiento e inferencia construida para los LLM.
• Para señales continuas, como imágenes, video y acciones motoras, la AR pura no tiene ventaja. El campo se está moviendo hacia una red troncal autorregresiva con un cabezal de difusión o de flow matching: el Atlas de World Labs, el DreamZero de investigadores de NVIDIA y π0.5 siguen ese camino.
• Lo ingenioso de la ruta de Astra es que delega la capa continua en renderizadores, núcleos CAD, motores de física y planificadores de movimiento. Décadas de ingeniería en gráficos y robótica se convierten en el decodificador: exacto, editable y sin necesidad de entrenamiento. El precio es que los motores ponen el techo.

Qué significa si trabajas con agentes

Desarrollamos una aplicación de escritorio en la que los agentes hacen el trabajo, así que el hallazgo sobre la interfaz es el que más nos importa. El mismo modelo obtuvo puntajes muy distintos según lo que podía ver, qué herramientas podía llamar y si podía revisar su propio resultado. Gran parte de la capacidad vive en ese ciclo, no solo en los pesos.

Ese ciclo es lo que tiene que ofrecer un espacio de trabajo para agentes: herramientas para actuar, archivos para trabajar y resultados que el agente pueda revisar antes de entregarlos. En Orkas puedes usar GPT-6 Astra con tu propia clave de API de OpenAI o iniciando sesión con tu cuenta de ChatGPT, conectar Codex como agente externo o usar los modelos administrados por Orkas. Orkas también acepta servidores MCP personalizados, así que los servidores de la comunidad para herramientas de escritorio se pueden agregar como conectores. No hemos probado un servidor de Blender de principio a fin, así que tómalo como una opción de “hazlo tú mismo”.

Lo que nos llevamos

• El sentido del espacio de Astra es tomar decisiones dentro de un ciclo: mirar, escribir código o fijar un objetivo, ejecutar, revisar y corregir.
• Es fuerte en geometría regular, armado de escenas y juicios que combinan significado y espacio, y débil en formas orgánicas y contacto fino, debido a lo que un programa corto puede describir.
• Lo más probable es que la habilidad venga del aprendizaje por refuerzo a gran escala en entornos con calificación automática, no de una arquitectura nueva. La receta de entrenamiento no se ha dado a conocer.
• En la generación 3D, los agentes se quedan con la dirección y el armado, mientras los generadores se vuelven herramientas de assets, y los gemelos digitales son el puente hacia los robots.
• En el cerebro de los robots, el modelo general se vuelve el capataz y la fábrica, mientras que el control rápido se queda en modelos especializados que corren en el dispositivo.

Señales que vale la pena seguir: si las empresas de generación 3D abren interfaces para agentes; si aparece un benchmark estándar de agentes en Blender; si las tareas de precisión superan el 30% solo con imágenes a color, y si algún modelo de frontera alcanza un control visual en lazo cerrado a 10 Hz.

Una advertencia: la mayoría de las evaluaciones con robots citadas usan muestras pequeñas, de 5 a 20 pruebas por configuración, y la mayoría no son a ciegas. Toma estas conclusiones como una lectura provisional, no como un veredicto.

Fuentes: el anuncio de GPT-6 Astra y la tarjeta de sistema de OpenAI; la nota de Fortune sobre el lanzamiento; el texto de Wentao Zhu GPT-6 Astra: 3D, Embodied AI, and Beyond, y el ensayo sobre transformers en bucle de Sebastian Raschka, que cita a Pachocki. Las demás fuentes están enlazadas donde se citan.

Si quieres probar GPT-6 Astra u otro modelo en Orkas, la sección de modelos y proveedores compatibles de la documentación muestra lo que puedes conectar hoy.