MuJoCo 3.13.0 y Show-Harness | Qué cambia para makers

¿Qué ha cambiado de verdad en las últimas 24 horas? MuJoCo 3.13.0 ya es una versión estable con mejoras útiles para simular servos, muelles y contactos. Show-Harness es un preprint que intenta enseñar tareas a distintos robots mediante acciones semánticas y demostraciones recogidas con navegador y teclado.

La diferencia importa. MuJoCo se puede instalar hoy desde PyPI. Show-Harness publica código, modelos y datos, pero sus resultados proceden de los autores y todavía no tienen validación independiente.

MuJoCo 3.13.0 permite probar pasos mayores con más estabilidad

La novedad principal es el integrador discrete. Según las notas oficiales, incorpora el damping, la rigidez de posición y la resolución de restricciones a la métrica efectiva. En la práctica, está pensado para estabilizar muelles pasivos y servos de posición cuando aumentas el paso de simulación, o sea, el tiempo que avanza el modelo en cada actualización.

La documentación de integradores explica el contexto matemático. Para un maker, la prueba útil es más sencilla. Duplica una escena con servos o muelles, cambia solo el integrador y compara estabilidad, velocidad y comportamiento de los contactos antes de tocar el timestep del proyecto principal.

Las notas oficiales señalan un cambio incompatible que conviene revisar. Los modelos flex que dependían del caso especial de implicit o implicitfast con el solver CG ahora deben declarar integrator="discrete". Si actualizas una simulación existente y una deformación empieza a comportarse de otra forma, revisa primero esa configuración.

Las notas de la versión también confirman que vuelve mjWARN_INERTIA y la protección frente a matrices de masa singulares, eliminadas por accidente en MuJoCo 3.3.0. Esta corrección vuelve a avisar de modelos cuya inercia deja el sistema mal definido.

Con conos elípticos y el solver Newton, el equipo de MuJoCo reporta una mejora media de entre 1,4 y 2 veces. En los pasos lentos de escenas con mucho contacto deslizante, sitúa la mejora entre 3 y 4 veces. Son cifras del propio equipo, sin benchmark independiente.

Las notas oficiales también recogen site meshes, cilindros con múltiples contactos, soporte para Python 3.15 y un ejemplo de renderizado sin interfaz que guarda un PNG. Los wheels oficiales de MuJoCo 3.13.0 ya están publicados para instalar y probar la versión sin compilarla.

Show-Harness convierte instrucciones semánticas en movimientos locales

Show-Harness propone que una política de visión y lenguaje elija acciones semánticas discretas. Después, un intérprete específico para cada robot convierte esas acciones en movimientos locales. Así separa la decisión de alto nivel del control que necesita cada plataforma.

Su herramienta GUMI recoge demostraciones desde un navegador y un teclado, sin hardware específico de teleoperación. El equipo evaluó el sistema en dos plataformas físicas, un Franka Research 3 de siete grados de libertad y un AgileX de doble brazo. No hay una prueba equivalente con hardware doméstico, así que la reproducción completa queda fuera del alcance de un montaje pequeño.

El dataset publicado contiene 164 episodios físicos con 7.774 pasos. De ellos, 101 pertenecen a Franka y 63 a AgileX. Añade 230 episodios simulados con 13.523 pasos recogidos en ManiSkill y RoboLab.

Para el ajuste fino, los autores usan Qwen3.5-2B con LoRA de rango 64. Ajustan cerca del 3 % de los parámetros y reportan menos de dos horas en una H200. También indican que el proceso cabe en una GPU de 24 GB, pero no afirman que conserve el mismo tiempo de entrenamiento.

El código, los pesos y los datos usan licencia Apache-2.0. Eso permite inspeccionar las acciones y el formato del dataset antes de pensar en el robot completo.

Ten en cuenta los límites. Es un preprint. La evaluación usa diez intentos por tarea. Las pruebas zero-shot dependen de APIs cerradas y el modelo principal es Gemini 3.1 Pro. Los benchmarks y resultados pertenecen a los autores y no cuentan con validación independiente.

¿Por dónde empezaría yo? Abriría el dataset y revisaría cómo una orden termina convertida en una acción discreta. No necesitas dos brazos industriales para entender esa capa. Puedes empezar por el formato, una tarea pequeña y un intérprete para el robot que ya tengas.