XPENG
GroundingPI: modelo aberto apoiado pela XPENG localiza objetos melhor do que o GPT-6 Astra, mas só em testes
Com 4 mil milhões de parâmetros, o GroundingPI aponta com coordenadas onde está cada objeto numa imagem, um passo de que robôs e carros autónomos precisam. Os pesos e o código são públicos, mas os ganhos na robótica vêm de simulações e a marca não promete levá-lo aos seus carros.

Investigadores da XPENG e de várias universidades publicaram o GroundingPI, um modelo de IA aberto com cerca de 4 mil milhões de parâmetros que localiza objetos numa imagem com pontos e caixas, uma capacidade de que robôs e carros autónomos precisam antes de agirem no mundo físico.
O artigo científico saiu no arXiv a 30 de setembro, assinado por 26 autores, e foi revisto a 16 de outubro. Os pesos do modelo estão no Hugging Face e o código no GitHub desde o início de outubro, mas a fabricante chinesa de carros elétricos só destacou o projeto a 4 de novembro, numa nota na sua sala de imprensa que chegou a Portugal a 11 de novembro.
Segundo a página do projeto, os autores trabalham na XPENG, que descreve o seu papel como apoio à investigação, e nas universidades de Pequim, Hong Kong, Tsinghua, Princeton e Califórnia em Berkeley, entre outras.
O exemplo escolhido pela XPENG é uma ordem como identificar a pega da chávena da direita, em que o sistema tem de encontrar a chávena certa e, dentro dela, o ponto exato da pega. O GroundingPI devolve essa resposta em coordenadas e foi treinado em 11 tipos de tarefa, da deteção de objetos à leitura de texto, à estrutura de documentos e aos botões de uma interface.
Nos testes feitos pela própria equipa, com 34 benchmarks públicos e 44 modelos de comparação, teve uma média de 73,68 pontos, acima dos 71,54 do GPT-6 Astra, o modelo da OpenAI que falhava tarefas de segurança sem avisar. A empresa ressalva que a comparação vale só para a perceção e não mede o raciocínio geral dos modelos.
Por dentro, junta o codificador visual MoonViT-V2, do Kimi K3, a um modelo de linguagem Qwen3-4B, segundo a documentação.
Como base visual de robôs, como os humanoides da Agibot, os resultados vêm de simulações. No RoboCasa-GR1, os sistemas com o GroundingPI tiveram mais sucesso com metade das demonstrações humanas do que os modelos de comparação treinados com 75%, e no RoboTwin 2.0 superaram todos os modelos avaliados em quatro cenários diferentes dos do treino, com vantagens até 24,8% sobre o melhor.
Na condução autónoma, com o conjunto de dados nuScenes, o erro médio na previsão da trajetória ficou em 0,296 metros, numa avaliação offline em circuito aberto.
Há uma demonstração online no Hugging Face, mas para instalar o modelo a equipa só indica testes em Linux, com aceleradores NVIDIA B300, B200, H200 e H800. As partes originais têm licença Apache 2.0, e o que vem do Kimi K3 mantém a licença desse modelo.
Todos os números foram medidos pelos autores, sem verificação independente conhecida, e a XPENG avisa que a investigação está numa fase exploratória, sem prova de que funcione em condições reais. A empresa também diz que os resultados não são um anúncio de que a tecnologia vá chegar aos seus produtos.



