{"id":2705,"date":"2026-05-01T02:56:44","date_gmt":"2026-05-01T02:56:44","guid":{"rendered":"https:\/\/deepinsightai.io\/?p=2705"},"modified":"2026-05-01T02:56:45","modified_gmt":"2026-05-01T02:56:45","slug":"lda-1b","status":"publish","type":"post","link":"https:\/\/deepinsightai.io\/es\/lda-1b\/","title":{"rendered":"Explicaci\u00f3n de LDA-1B: C\u00f3mo los \u201cdatos basura\u201d impulsan el pr\u00f3ximo gran avance de la IA rob\u00f3tica"},"content":{"rendered":"<p>La carrera por el desarrollo de modelos base de robots acaba de dar la bienvenida a un nuevo participante. Un equipo conjunto formado por la Universidad de Pek\u00edn, la Universidad de Tsinghua, Galaxy General y el Instituto Zhiyuan ha presentado <strong>LDA-1B<\/strong>, lo que eleva el tama\u00f1o de los par\u00e1metros directamente a la escala de los mil millones.<\/p>\n\n\n\n<p>Detr\u00e1s de esta cifra se esconde una idea m\u00e1s audaz: dejar de centrarse \u00fanicamente en los datos de demostraci\u00f3n de los expertos. Esos \u201cdatos basura\u201d que antes se tiraban a la papelera podr\u00edan ser, en realidad, los nutrientes que los robots realmente necesitan.<\/p>\n\n\n\n<p>El m\u00e9todo tradicional de entrenamiento de los robots es sencillo: se busca a un operador experto, se graban sus acciones y se deja que el robot aprenda por imitaci\u00f3n. Este enfoque de clonaci\u00f3n de comportamientos ha sido ampliamente utilizado por OpenAI y Google DeepMind. Pero el problema es evidente: el aprovechamiento de los datos es extremadamente bajo.<\/p>\n\n\n\n<p>\u00bfUn intento fallido de construir un robot? Descartado.<br>\u00bfUn v\u00eddeo de una operaci\u00f3n humana grabado de forma espont\u00e1nea? No es de buena calidad, descartado.<br>\u00bfDatos procedentes de otra plataforma rob\u00f3tica? Formato incompatible, se descartan igualmente.<\/p>\n\n\n\n<p>El <strong>LDA-1B<\/strong> El equipo plante\u00f3 una pregunta sencilla: \u00bfqu\u00e9 pasar\u00eda si se aprovecharan todos esos datos que se desperdician?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">C\u00f3mo utiliza LDA-1B todos los datos disponibles<\/h2>\n\n\n\n<p>Crearon un conjunto de datos denominado EI-30k: 30 000 horas de datos de interacci\u00f3n corporal, que abarcan tanto las operaciones humanas como las trayectorias de los robots.<\/p>\n\n\n\n<p>Esta escala ya es enorme en el \u00e1mbito de la rob\u00f3tica. A modo de comparaci\u00f3n, el conjunto de datos m\u00e1s grande hasta la fecha, Open X-Embodiment, contaba con algo m\u00e1s de 1.000 horas.<\/p>\n\n\n\n<p>Pero la clave no es la escala. La clave es la diversidad.<\/p>\n\n\n\n<p>El conjunto de datos incluye:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Demostraciones exitosas e intentos fallidos<\/li>\n\n\n\n<li>Datos de robots de alta precisi\u00f3n y v\u00eddeos grabados de forma espont\u00e1nea por personas<\/li>\n\n\n\n<li>Manipulaciones con dos brazos y movimientos diestros de las manos<\/li>\n<\/ul>\n\n\n\n<p>Seg\u00fan los criterios tradicionales, gran parte de estos datos son incoherentes y nunca se incluir\u00edan en un conjunto de entrenamiento.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> adopta un enfoque diferente: asigna distintos roles a los datos seg\u00fan su calidad.<\/p>\n\n\n\n<p>Para aprender las pol\u00edticas se recurre a demostraciones de expertos de gran calidad.<br>Los datos de menor calidad o \u201cno validados\u201d se utilizan para conocer la din\u00e1mica del mundo f\u00edsico.<\/p>\n\n\n\n<p>Un v\u00eddeo en el que se falla al intentar agarrar un objeto no se puede imitar directamente, pero le indica al modelo: \u201cesta forma de agarrar fracasar\u00e1\u201d. Eso es conocimiento din\u00e1mico.<\/p>\n\n\n\n<p>La idea parece sencilla, pero plantea un reto t\u00e9cnico:<br>\u00bfC\u00f3mo se puede <strong>LDA-1B<\/strong> \u00bfAprender al mismo tiempo \u201cc\u00f3mo ser\u00e1 el siguiente fotograma\u201d y \u201cqu\u00e9 acci\u00f3n hay que realizar a continuaci\u00f3n\u201d?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">LDA-1B y la predicci\u00f3n en el espacio latente de DINO<\/h2>\n\n\n\n<p>La soluci\u00f3n del equipo consiste en trasladar las tareas de predicci\u00f3n al espacio latente de DINO.<\/p>\n\n\n\n<p>DINO, un modelo visual de aprendizaje autosupervisado desarrollado por Meta, comprime las im\u00e1genes en representaciones de caracter\u00edsticas muy abstractas. En este espacio, <strong>LDA-1B<\/strong> No tiene por qu\u00e9 preocuparse por detalles superficiales como \u201csi la mesa es de madera o blanca\u201d, sino que se centra en la informaci\u00f3n f\u00edsica esencial, como \u201cd\u00f3nde est\u00e1n los objetos\u201d y \u201cc\u00f3mo se mueven\u201d.\u201d<\/p>\n\n\n\n<p>Este dise\u00f1o ofrece dos ventajas:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Una eficiencia computacional mucho mayor, que evita la redundancia a nivel de p\u00edxel<\/li>\n\n\n\n<li>Una mayor generalizaci\u00f3n entre entornos, ya que <strong>LDA-1B<\/strong> aprende reglas f\u00edsicas abstractas en lugar de caracter\u00edsticas visuales espec\u00edficas de cada escena<\/li>\n<\/ul>\n\n\n\n<p>Dentro de un marco unificado de Transformer de difusi\u00f3n multimodal, el modelo elimina el ruido de los fragmentos de acci\u00f3n y de las secuencias DINO futuras de forma conjunta.<\/p>\n\n\n\n<p>Los datos heterog\u00e9neos desempe\u00f1an funciones \u00fanicas y complementarias en los siguientes \u00e1mbitos:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Predicci\u00f3n visual<\/li>\n\n\n\n<li>Aprendizaje din\u00e1mico<\/li>\n\n\n\n<li>Aprendizaje en materia de pol\u00edticas<\/li>\n<\/ul>\n\n\n\n<p>El equipo recopil\u00f3 el conjunto de datos EI-30k, que contiene m\u00e1s de 30 000 horas de datos diversos sobre la interacci\u00f3n entre humanos y robots, y que abarca diferentes duraciones de eventos y tareas de manipulaci\u00f3n.<\/p>\n\n\n\n<p>Desde el punto de vista arquitect\u00f3nico, <strong>LDA-1B<\/strong> utiliza un transformador de difusi\u00f3n multimodal. Esto le permite gestionar flujos as\u00edncronos de im\u00e1genes y acciones. En el mundo real, las frecuencias de fotogramas de las c\u00e1maras y las frecuencias de control de los robots suelen estar desincronizadas, lo que supone un reto para los modelos tradicionales a la hora de procesarlas.<\/p>\n\n\n\n<p>La introducci\u00f3n de modelos de difusi\u00f3n tambi\u00e9n permite <strong>LDA-1B<\/strong> para entrenar de forma estable a una escala de mil millones de par\u00e1metros, algo que antes resultaba dif\u00edcil para los modelos rob\u00f3ticos.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Rendimiento del LDA-1B en tres categor\u00edas de tareas<\/h2>\n\n\n\n<p>Para la evaluaci\u00f3n, el equipo seleccion\u00f3 tres escenarios representativos:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Tareas con gran n\u00famero de contactos en LDA-1B<\/h3>\n\n\n\n<p>Estas pruebas eval\u00faan la percepci\u00f3n y el control de la fuerza por parte del robot \u2014tareas como conectar un cable USB o apretar tornillos, en las que es esencial una retroalimentaci\u00f3n precisa de la fuerza\u2014.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> supera al modelo \u03c00,5 anterior en 21%.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Manipulaci\u00f3n precisa con el LDA-1B<\/h3>\n\n\n\n<p>Y lo que es a\u00fan m\u00e1s complicado, estas tareas requieren un control coordinado de varios dedos, como girar un cubo de Rubik o utilizar herramientas.<\/p>\n\n\n\n<p>Aqu\u00ed, <strong>LDA-1B<\/strong> muestra una ventaja a\u00fan mayor, mejorando el rendimiento en un 48%.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Planificaci\u00f3n a largo plazo en LDA-1B<\/h3>\n\n\n\n<p>Estas pruebas eval\u00faan la capacidad de planificaci\u00f3n. El robot debe completar una secuencia de subtareas para alcanzar un objetivo final.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> logra una mejora de 23% en esta categor\u00eda.<\/p>\n\n\n\n<p>M\u00e1s interesantes son los experimentos de ajuste fino.<\/p>\n\n\n\n<p>El equipo utiliz\u00f3 deliberadamente datos de \u201cbaja calidad\u201d: casos fallidos y trayectorias incompletas que, en circunstancias normales, se habr\u00edan descartado.<\/p>\n\n\n\n<p>El resultado: el uso de tan solo 30% de estos datos mejor\u00f3 el rendimiento en 10%.<\/p>\n\n\n\n<p>Este hallazgo echa por tierra una creencia muy extendida en el sector:<br>Los denominados \u201cdatos basura\u201d no son una carga, sino que pueden constituir un activo oculto para <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">LDA-1B y una nueva v\u00eda hacia los modelos mundiales<\/h2>\n\n\n\n<p>El enfoque t\u00e9cnico que subyace a <strong>LDA-1B<\/strong> responde a una pregunta m\u00e1s amplia: \u00bfc\u00f3mo deber\u00edan aprender los modelos base de los robots?<\/p>\n\n\n\n<p>Actualmente existen dos paradigmas dominantes:<\/p>\n\n\n\n<p><strong>Clonaci\u00f3n del comportamiento<\/strong><br>Ejemplos de ello son el trabajo en rob\u00f3tica de OpenAI y la serie \u03c00 de Physical Intelligence. La idea es sencilla: observar a los expertos e imitarlos.<\/p>\n\n\n\n<p><strong>Modelos del mundo<\/strong><br>Representado por obras como \u00abGenie\u00bb y \u00abDIAMOND\u00bb. La idea es comprender primero c\u00f3mo funciona el mundo f\u00edsico y, a continuaci\u00f3n, decidir c\u00f3mo actuar.<\/p>\n\n\n\n<p>La clonaci\u00f3n de comportamientos adolece de una baja eficiencia en el uso de los datos, ya que solo aprende de los casos exitosos.<br>Los modelos globales se han enfrentado a dificultades debido a implementaciones rudimentarias: o bien se centran \u00fanicamente en la predicci\u00f3n de v\u00eddeo sin tener en cuenta las acciones, o bien se basan en conjuntos de datos demasiado peque\u00f1os para un entrenamiento a gran escala.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> opta por una tercera v\u00eda.<\/p>\n\n\n\n<p>Unifica el aprendizaje de din\u00e1micas, el aprendizaje de pol\u00edticas y la predicci\u00f3n visual en un \u00fanico marco, lo que permite que los datos de diferente calidad desempe\u00f1en distintas funciones.<\/p>\n\n\n\n<p>Esta idea \u2014el \u00abModelo Mundial Unificado\u00bb\u2014 ya se hab\u00eda propuesto anteriormente a nivel te\u00f3rico. Pero <strong>LDA-1B<\/strong> es el primero en implementarlo a una escala de mil millones de par\u00e1metros con un entrenamiento estable.<\/p>\n\n\n\n<p>Desde el punto de vista de la ingenier\u00eda, la mayor contribuci\u00f3n de <strong>LDA-1B<\/strong> No se trata de un \u00fanico avance. Lo que demuestra es una cosa:<\/p>\n\n\n\n<p>Los modelos base de robots pueden escalar al igual que los modelos de lenguaje, \u201cconsumiendo\u201d cantidades ingentes de datos heterog\u00e9neos.<\/p>\n\n\n\n<p>Los datos que antes se desperdiciaban pueden transformarse en conocimiento dentro de <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\u00bfEs el LDA-1B la soluci\u00f3n al \u00abhambre de datos\u00bb?<\/h2>\n\n\n\n<p>La rob\u00f3tica se enfrenta desde hace tiempo a una realidad inc\u00f3moda: los datos son caros.<\/p>\n\n\n\n<p>Para grabar una hora de datos de demostraci\u00f3n de robots de alta calidad se necesitan operadores cualificados, entornos estandarizados y sensores de gran precisi\u00f3n. El coste puede ascender a miles de d\u00f3lares.<\/p>\n\n\n\n<p>Incluso los laboratorios que cuentan con una buena financiaci\u00f3n tienen dificultades para entrenar modelos con datos a la escala de los modelos de lenguaje.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> ofrece una nueva orientaci\u00f3n.<\/p>\n\n\n\n<p>En lugar de invertir grandes cantidades de dinero en recopilar datos perfectos, aprovecha los datos imperfectos.<\/p>\n\n\n\n<p>V\u00eddeos de operaciones realizadas por personas subidos a YouTube, intentos fallidos de robots durante la depuraci\u00f3n, conjuntos de datos recopilados en distintos laboratorios y plataformas\u2026 Estos recursos, que antes se pasaban por alto, ahora pueden convertirse en material de formaci\u00f3n para <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<p>Dicho esto, siguen existiendo algunas incertidumbres.<\/p>\n\n\n\n<p>El art\u00edculo no revela en su totalidad la composici\u00f3n y la procedencia del conjunto de datos EI-30k, lo que supone un obst\u00e1culo para otros equipos que intenten reproducir <strong>LDA-1B<\/strong> a esta escala.<\/p>\n\n\n\n<p>Tambi\u00e9n est\u00e1 la cuesti\u00f3n de la implementaci\u00f3n: un modelo con mil millones de par\u00e1metros conlleva un coste computacional considerable. Los robots, a diferencia de los servidores, no pueden simplemente aumentar su capacidad de c\u00e1lculo.<\/p>\n\n\n\n<p>Aun as\u00ed, en este momento, <strong>LDA-1B<\/strong> establece un nuevo punto de referencia para los modelos base de robots:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>A mayor escala<\/li>\n\n\n\n<li>Datos m\u00e1s diversos<\/li>\n\n\n\n<li>M\u00e9todos m\u00e1s unificados<\/li>\n<\/ul>\n\n\n\n<p>Ahora la pregunta es c\u00f3mo responder\u00e1 el resto de los participantes a <strong>LDA-1B<\/strong>.<\/p>","protected":false},"excerpt":{"rendered":"<p>The arms race around robot foundation models has just welcomed a new player. A joint team from Peking University, Tsinghua University, Galaxy General, and Zhiyuan Institute has introduced LDA-1B, pushing parameter size directly to the billion scale. Behind this number sits a more aggressive idea: stop focusing only on expert demonstration data. Those \u201cgarbage data\u201d [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":2708,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"LDA-1B redefines robot training by turning failed attempts and low-quality data into valuable learning signals. Discover how this billion-parameter model boosts performance across dexterous, contact-rich, and long-horizon tasks.","_seopress_robots_index":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2,6],"tags":[],"class_list":["post-2705","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-robots"],"uagb_featured_image_src":{"full":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"thumbnail":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-150x150.webp",150,150,true],"medium":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-300x200.webp",300,200,true],"medium_large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-768x512.webp",768,512,true],"large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-1024x683.webp",1024,683,true],"1536x1536":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"2048x2048":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"trp-custom-language-flag":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-18x12.webp",18,12,true]},"uagb_author_info":{"display_name":"Claude Carter","author_link":"https:\/\/deepinsightai.io\/es\/author\/cloud-han03gmail-com\/"},"uagb_comment_info":0,"uagb_excerpt":"The arms race around robot foundation models has just welcomed a new player. A joint team from Peking University, Tsinghua University, Galaxy General, and Zhiyuan Institute has introduced LDA-1B, pushing parameter size directly to the billion scale. Behind this number sits a more aggressive idea: stop focusing only on expert demonstration data. Those \u201cgarbage data\u201d&hellip;","_links":{"self":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2705","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/comments?post=2705"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2705\/revisions"}],"predecessor-version":[{"id":2709,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/posts\/2705\/revisions\/2709"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media\/2708"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/media?parent=2705"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/categories?post=2705"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/es\/wp-json\/wp\/v2\/tags?post=2705"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}