TARS ha presentado AWE 3.5, una nueva versión de su modelo fundacional para robótica, y la ha conectado con robots A1 en tareas que combinan visión, tacto y manipulación durante varios minutos. La demostración en WAIC 2026 incluye organizar una mochila, clasificar tornillos y montar arneses de cableado flexible.
Un modelo para no perder el hilo de la tarea
La novedad principal está en la duración y la combinación de señales. Según el comunicado de TARS, AWE 3.5 integra acción, percepción, geometría y tacto en un mismo marco. La compañía asegura que lo ha entrenado con más de un millón de horas de datos humanos recogidos en el mundo real y validados en entornos industriales.
TARS también afirma que la nueva versión aproximadamente duplica la eficiencia de ejecución frente a Pi 0.5, mejora el rendimiento en tareas complejas y mantiene interacción en bucle cerrado durante secuencias de varios minutos. La comparación procede del fabricante y no incluye un benchmark público detallado con tasas de éxito, número de intentos o condiciones de evaluación, así que conviene tratarla como una medida interna.
El objetivo técnico, sin embargo, es reconocible. Muchos robots pueden completar una acción corta si la escena está preparada: coger una pieza, dejarla en una bandeja o cerrar una pinza. Una tarea larga exige conservar el estado de lo que ya se ha hecho, detectar cambios, corregir errores y decidir el siguiente paso sin reiniciar el proceso. Organizar una mochila obliga a reconocer objetos distintos, planificar el espacio disponible y manipular materiales deformables; el cableado añade contacto, flexibilidad y tolerancias pequeñas.
La compañía denomina a su método un paradigma de preentrenamiento y postentrenamiento «nativo para sistemas corpóreos». Más allá de la etiqueta, la intención es crear una base reutilizable y después adaptarla a trabajos concretos, en vez de programar una política aislada desde cero para cada estación.
Del stand a una línea de cableado a escala real
En Shanghai, TARS mostró robots impulsados por AWE realizando empaquetado de teléfonos, organización de mochilas y clasificación precisa de tornillos. La demostración más industrial recreó una línea circular de arneses eléctricos para automoción, donde varios A1 debían agarrar, guiar, conectar y montar cables flexibles.
Es importante precisar el alcance: se trata de una línea recreada a escala real dentro de WAIC, no de un despliegue continuado en una fábrica de automóviles. El montaje sirve para observar la coordinación entre varios robots y enfrentar el sistema a componentes difíciles, pero todavía no aporta datos sobre disponibilidad, cadencia, rechazos o mantenimiento durante turnos de producción.
La elección del arnés tiene sentido. Los cables cambian de forma al tocarlos, pueden engancharse y necesitan llegar a conectores con una orientación concreta. Ese comportamiento reduce la utilidad de trayectorias rígidas y obliga al robot a percibir durante la acción. Si AWE 3.5 consigue generalizar entre piezas y recuperar fallos sin una ingeniería artesanal para cada variante, puede atacar una parte de la automatización que aún depende mucho de trabajo manual.
TARS dice que trabaja con el distrito de Jiading, en Shanghai, y con socios industriales para validar la tecnología y avanzar hacia un clúster de robots corpóreos de escala superior al millar de unidades. Es un plan, no una flota ya operativa. La diferencia entre ambos estados será decisiva: coordinar una instalación de feria y mantener cientos de máquinas en producción exigen niveles muy distintos de soporte, seguridad y fiabilidad.
La evolución desde AWE 3.0 y DexHand
El anuncio amplía la propuesta que TARS enseñó en ICRA 2026. Entonces, AWE 3.0 y la mano DexHand se centraban en manipulación fina, cierre de cremalleras e inserción de cableado. En WAIC, DexHand volvió montada sobre A1 para extender esa destreza a cartas, escritura y un cubo de Rubik, pero el cambio editorialmente relevante está en intentar unir habilidades cortas dentro de secuencias más largas.
El trabajo previo ayuda a entender la estrategia de datos. En el artículo científico World In Your Hands, investigadores vinculados a TARS describieron un ecosistema de captura multimodal con visión, lenguaje, tacto y acción humana. La empresa afirma ahora que su base de preentrenamiento ha superado el millón de horas y que quiere llegar a diez millones de horas antes de terminar 2026.
Más datos no garantizan por sí solos un robot mejor. Importan la diversidad de escenas, la calidad de las etiquetas, la correspondencia entre el cuerpo humano y el robot, y la capacidad para detectar cuándo una situación queda fuera de lo aprendido. Tampoco está claro cuánto de AWE 3.5 puede trasladarse entre manos, brazos y plataformas con geometrías distintas.
El modelo AWE recibió además uno de los premios SAIL de WAIC, un reconocimiento que la conferencia reserva para proyectos con mérito técnico y potencial de aplicación. El galardón refuerza la visibilidad de TARS, pero la prueba útil seguirá estando fuera del escenario: horas de operación, errores recuperados, cambios de producto y coste por tarea.
De la demostración a la entrega
AWE 3.5 enseña una dirección relevante para la IA física: pasar de acciones llamativas pero breves a comportamientos que mantengan contexto y contacto durante una tarea completa. El vídeo de A1 organizando objetos es una evidencia específica de que el sistema existe; no demuestra todavía autonomía general ni rendimiento industrial sostenido.
La próxima información que debería publicar TARS es menos vistosa y más valiosa: tasas de éxito sobre objetos no vistos, tiempos por ciclo, frecuencia de intervención humana y resultados en instalaciones de clientes. Si esos datos acompañan al salto desde un millón a diez millones de horas de entrenamiento, AWE 3.5 podrá medirse como herramienta industrial. Hasta entonces, es una evolución técnica prometedora respaldada por demos concretas, no una validación definitiva.