Li Auto apresenta arquitetura de IA incorporada ME-Brain-1.0
A Li Auto detalhou o sistema ME-Brain-1.0, que combina o modelo de ação ME-U0 e modelos cognitivos ME-VLM para robótica.
Resumo rápido
- A Li Auto apresentou o sistema ME-Brain-1.0 para aplicações de inteligência artificial incorporada.
- A solução une memória evolutiva, núcleo cognitivo e modelo de ação com suporte ao chip local M100.
- Análises externas de vídeos demonstrativos registraram pausas nas garras e falhas em tarefas abertas.
Entenda o contexto
Sistemas de IA incorporada integram inteligência artificial a estruturas físicas para permitir que robôs percebam o ambiente e executem tarefas. A arquitetura apresentada combina módulos de processamento local com modelos de controle de ação. As métricas divulgadas dependem de validação independente por outros laboratórios.
A equipe de modelos fundamentais da Li Auto publicou, em 22 de setembro de 2026, um conjunto de soluções voltado para inteligência artificial incorporada. O ecossistema abrange o sistema ME-Brain-1.0, o modelo de ação do mundo unificado MachEmbodied-U0 (ME-U0) e os modelos cognitivos MachEmbodied-VLM (ME-VLM). A estrutura é focada na arquitetura de memória, cognição e ação para sistemas robóticos.
Segundo a publicação técnica da empresa, o ME-Brain-1.0 integra uma memória evolutiva, um núcleo cognitivo e um modelo de ação acionado por eventos em um ciclo de execução, captura de experiências e atualização de habilidades. O núcleo cognitivo foi apresentado nas versões 35B-A3B MoE e uma variante de 4B para a ponta. Em dados informados pela companhia, a versão maior registrou média de 70,9 em suítes incorporadas e 72,5 em suítes de agentes, enquanto a versão de 4B ficou em segundo lugar nas comparações internas.
Desempenho no processamento local e testes divulgados
A companhia afirma que a memória evolutiva e os módulos associados são executados no chip SoC M100 da Li Auto para geração e recuperação de memória no próprio dispositivo. Nas notas de implantação do ME-VLM, a latência de prefill no M100 caiu de aproximadamente 400 ms para 188 ms com a aplicação de compressão de tokens e quantização W4A8. Já o ME-U0 foi pré-treinado com cerca de 4.200 horas de dados filtrados de robôs e visões em primeira pessoa, usando especialistas duplos de compreensão e geração com codificação posicional rotativa multitaxa para alinhar dados visuais e tokens de ação.
Em métricas informadas pela própria empresa, o ME-U0 alcançou 99,1% de sucesso médio no benchmark padronizado LIBERO, 81,8% no LIBERO-Plus sem adaptação dedicada e pontuação de processo de 17,66 no RoboDojo-Sim. Análises de terceiros sobre os vídeos de demonstração, publicadas por veículos como o Phoenix Tech, destacaram limitações práticas nas cenas exibidas, com pausas visíveis nas garras dos robôs, erros ocasionais de preensão e tarefas em aberto não concluídas. Os benchmarks divulgados permanecem como alegações da Li Auto até que laboratórios independentes reproduzam os testes.
Referências
- Fonte consultada: Pandaily — Tecnologia chinesa
Links para conferência: não indicam endosso das fontes ao conteúdo do portal.
Gostou? Compartilhe:
Comentários 0
Ninguém comentou ainda. Seja o primeiro!
