Hedra Presenta Model Factory para Entrenamiento y Mejora de Modelos de IA en Robótica

La empresa tecnológica estadounidense Hedra presentó la plataforma Model Factory el 10 de noviembre de 2026, diseñada para crear modelos de IA especializados basados en soluciones existentes. Integra infraestructura computacional, entrenamiento adicional, optimización de rendimiento y herramientas para la mejora continua del modelo después de su implementación. El servicio está destinado a desarrolladores en robótica, sistemas industriales, investigación biológica y tecnologías de defensa.
La característica principal de Model Factory es la aplicación del enfoque de Mejora Recursiva Autodidacta (RSI). Este enfoque implica un ciclo secuencial de experimentos, evaluación de resultados y ajustes del modelo utilizando agentes autónomos de IA. El proceso permanece bajo el control de los investigadores, quienes establecen objetivos de entrenamiento y verifican la calidad de las soluciones obtenidas.
Cómo Funciona Hedra Model Factory
Para adaptar un modelo, el cliente proporciona un sistema de IA básico y datos relacionados con una tarea específica. Esto podría incluir grabaciones de video, información de sensores, resultados de simulaciones por computadora o parámetros de equipos industriales. Hedra realiza cálculos en un entorno aislado de GPU, tras lo cual los especialistas de la empresa, junto con agentes de IA, organizan un entrenamiento adicional.
En el proceso se utilizan modelos multimodales capaces de analizar imágenes, videos y otros tipos de información. Ayudan a evaluar los datos de entrenamiento, proporcionar retroalimentación y realizar experimentos con diversas configuraciones. Este enfoque permite la adaptación de un modelo existente a condiciones específicas sin crear un nuevo sistema desde cero.
Una vez completado el entrenamiento, el cliente puede implementar el modelo en sus propios servidores o en el centro de datos asociado de Hedra. Para dispositivos con recursos computacionales limitados, se proporciona optimización del modelo mediante destilación, un método para reducir la complejidad computacional manteniendo las capacidades necesarias.
El desarrollador también sugiere utilizar los datos obtenidos después de la implementación del modelo para una mejora posterior. Los investigadores analizan los resultados y organizan nuevos ciclos de entrenamiento, con versiones actualizadas que se lanzan tras pasar las verificaciones establecidas por el cliente.
Qué Resultados Mostró la Tecnología
Como ejemplo, Hedra presentó la optimización del modelo Krea 3, diseñado para generar y editar imágenes. Según la empresa, el tiempo de procesamiento de imágenes a una resolución de 2K se redujo de aproximadamente 22 a 3.6 segundos, casi seis veces más rápido. El trabajo tomó menos de una semana y se realizó en la misma configuración de hardware de cuatro aceleradores AMD Instinct MI355X.
La aceleración resultó de varios cambios, incluyendo la destilación del modelo, la optimización de cálculos y la reducción del número de pasos de generación de 30 a 14. Por lo tanto, esta cifra no puede considerarse un aumento universal de rendimiento de Model Factory: se refiere a un modelo específico, carga de prueba y configuraciones elegidas.
En otro experimento, Hedra mejoró la capacidad del modelo de video H3 para reproducir procesos físicos. Después de un entrenamiento adicional, su resultado en la prueba Physics-IQ aumentó de 30.3 a 34.9 puntos. Esta prueba, desarrollada con la participación de Google DeepMind, evalúa cuán realísticamente los modelos de video generativos representan el movimiento de objetos, colisiones y otros fenómenos físicos.
La empresa también informó que la versión destilada del modelo de video fue capaz de crear clips de cinco segundos en menos de tres segundos en aceleradores AMD MI355X. Sin embargo, una alta velocidad de generación por sí sola no garantiza la precisión física de todas las escenas creadas.
Experimento con Agarre Robótico
Un estudio separado de Hedra se centró en adaptar un sistema robótico después de reemplazar el agarrador, el dispositivo que el robot utiliza para sostener y mover objetos. Tales cambios pueden interrumpir el funcionamiento de un modelo previamente entrenado porque la geometría y los parámetros del nuevo equipo difieren de los originales.
En la simulación, los desarrolladores reemplazaron el agarrador del robot, tras lo cual la tasa de éxito de la operación asignada cayó casi a cero. El sistema luego emparejó los nuevos parámetros del agarrador con la imagen de la cámara montada en el brazo robótico. Según Hedra, esto permitió que la tasa de éxito se restaurara a casi el 100% sin reentrenar el modelo.
El resultado demuestra la posibilidad de adaptar la IA a cambios de equipo ajustando su representación de parámetros. Sin embargo, la prueba se realizó en un entorno virtual, por lo que no puede considerarse una prueba de la fiabilidad del método en robots industriales reales.
Dónde se Aplicará Model Factory
Hedra planea utilizar la plataforma para desarrollar sistemas de IA especializados capaces de trabajar con objetos y procesos físicos. En robótica, tales soluciones pueden aplicarse para el control de manipuladores, clasificación de objetos y adaptación de equipos a nuevas tareas. En la industria y la investigación científica, pueden ayudar a analizar datos de sensores y optimizar el funcionamiento de sistemas complejos.
Michael Lingelbach, cofundador y CEO de Hedra, quien anteriormente trabajó en investigación de aprendizaje por refuerzo en la Universidad de Stanford y Nvidia, cree que la próxima etapa del desarrollo de la IA estará relacionada con su aplicación en el mundo físico. Con este fin, la empresa propone combinar el apoyo a la investigación especializada con experimentos automatizados e infraestructura computacional.
Hedra Model Factory ya está disponible para clientes corporativos. Sin embargo, los mecanismos de mejora recursiva autodidacta en el sitio web de la empresa están designados como una dirección de investigación con acceso preliminar. El costo de los servicios corporativos, los resultados de implementaciones industriales a gran escala y los ahorros confirmados de recursos computacionales aún no han sido divulgados.
Este material se ha preparado exclusivamente con fines informativos y no constituye asesoramiento ni recomendación financiera.





