# Ai2 lanza ToyBlocks y encuentra que los agentes describen herramientas mejor que los expertos

> Un simulador abierto de aprendizaje robótico con bloques y un solo brazo, y un resultado que cualquiera que use MCP puede probar: las descripciones escritas por el agente superan a las de expertos.

Fuente: Promptea — https://www.promptea.me/es/blog/ai2-toyblocks-simulacion-robotica-descripciones-habilidades-agentes · Idioma: Español · Última actualización: 2026-11-06

Publicada: 2026-11-06 · Fecha del hecho: 2026-11-06 · Categoría: research · Autoría: Promptea Editorial

**Resumen:** Ai2 publicó ToyBlocks, un framework abierto de simulación, con dataset y modelos, para estudiar aprendizaje robótico en una mesa controlada. En sus experimentos, Claude Opus 5.5 manejando el robot vía MCP llegó a un 63% de éxito con descripciones de habilidades que escribió tras probarlas, contra 36% con las de un experto y 24% con las por defecto. No se informó el tamaño de muestra de esa comparación.

El Allen Institute for AI (Ai2) publicó este viernes **ToyBlocks**, un framework abierto de simulación para aprendizaje robótico armado alrededor de un solo brazo robótico y una mesa con bloques con letras. Ai2 lo presenta como el primero de lo que llama "FoundationWorlds": entornos simulados deliberadamente acotados que vienen con generadores automáticos de tareas y demostraciones y con métricas de evaluación, para que los investigadores puedan cambiar una variable a la vez y rastrear por qué falla un robot.

Casi todo el lanzamiento apunta a investigadores de robótica. Pero un resultado sirve mucho más allá de la robótica: en los experimentos de Ai2 con agentes, las descripciones de herramientas que el propio modelo escribió después de probarlas funcionaron mejor que las que escribió un experto humano.

## Qué publicó Ai2

Según el [anuncio de Ai2](https://huggingface.co/blog/allenai/toyblocks), el paquete incluye assets de simulación, generadores procedurales de tareas y demostraciones, un dataset inicial, código de entrenamiento y evaluación, sets de validación y dos modelos entrenados (uno basado en Molmo 2 y otro en ManiFlow). El [código está en GitHub](https://github.com/allenai/ToyBlocks) bajo Apache 2.0, con algunos componentes incluidos bajo sus propias licencias, y el [dataset está en Hugging Face](https://huggingface.co/datasets/allenai/toyblocks-data).

- **85.336 demostraciones de horizonte largo**, cada una compuesta por entre 6 y 12 habilidades individuales, que suman casi 1.600 horas de ejecución robótica y 144 millones de frames.
- Las demostraciones se generan automáticamente con un planificador de tareas y movimiento, sin teleoperación humana, hasta 24 veces más rápido que el tiempo real en una sola GPU, según Ai2.
- Habilidades como empujar o dar vuelta un bloque se entrenan con aprendizaje por refuerzo en Isaac Lab, de Nvidia.
- La evaluación reporta más que la tasa de éxito: velocidad de ejecución, fuerzas aplicadas sobre los objetos y avance de la tarea.

Ai2 dice que planea una segunda versión, con un dataset más grande, más habilidades, benchmarks más amplios y entrenamiento por refuerzo integrado, "en unas semanas"; no da fecha.

## El hallazgo que importa fuera de la robótica

Ai2 conectó Claude Opus 5.5 al simulador mediante el Model Context Protocol (MCP). El agente ve imágenes de cámara y llama a habilidades como agarrar, dar vuelta o rotar señalando un píxel. En una tarea de "buscar y deletrear", tenía que encontrar bloques con letras entre hasta ocho y apilar una palabra de tres letras. A la mitad de las escenas les faltaba una letra necesaria, así que la respuesta correcta era declarar la tarea imposible. Ai2 informa que el agente resolvió la tarea o declaró correctamente que era inviable en el 63% de los casos. La mayoría de los errores vinieron de confundir letras parecidas (13%) o de apilar una letra con la orientación equivocada (15%).

En otro escenario, el agente hizo sus propios experimentos chicos con cada habilidad, formuló hipótesis sobre cómo se comportaba y después reescribió la descripción de esa habilidad. Ai2 reporta tasas de éxito del **24%** con las descripciones por defecto, del **36%** con descripciones escritas por un experto humano y del **63%** con las que escribió el propio agente.

Si armás agentes sobre MCP o function calling, esta es la parte útil. La descripción de una herramienta es un prompt, y el modelo la lee cada vez que decide qué llamar. El resultado de Ai2 sugiere que dejar que un modelo pruebe una herramienta y anote lo que realmente hace puede dar descripciones más útiles que una redacción humana cuidadosa, quizás porque el modelo registra justo los casos borde con los que suele trabarse. Además, probarlo en software es barato: corrés el agente contra un sandbox, le pedís que documente lo que lo sorprendió y comparás la tasa de éxito antes y después.

La evidencia tiene límites. El post no informa cuántos episodios hay detrás de la comparación 24/36/63 ni intervalos de confianza. Tampoco explica cómo se generaron las descripciones con el detalle suficiente para reproducir el resultado, y no enlaza ningún paper. Todas las cifras salen de las pruebas de la propia Ai2, con un solo modelo de frontera y en un solo dominio.

## De la simulación al hardware real

Ai2 también probó modelos entrenados solo con datos de ToyBlocks en un brazo físico Franka FR3, sin entrenamiento con datos reales. La tasa de éxito por habilidad individual de la política de bajo nivel ManiFlow fue parecida en simulación (80,0%) y en el robot real (81,1%). El sistema jerárquico completo, con Molmo 2 planificando y ManiFlow ejecutando, tuvo éxito en el 55,5% de los episodios simulados (111 de 200) y en el 50,0% de los reales (15 de 30), en la configuración de escena más fácil. La propia Ai2 aclara que hacen falta más pruebas para tener confianza estadística.

El equipo además usó ToyBlocks como referencia exacta para evaluar world models. Ai2 dice que, de los tres que probó, el modelo de video Wan 2.2 fue el que predijo con más precisión el movimiento de los bloques y el resultado de las tareas. Sumar 100 trayectorias generadas por ese modelo subió el éxito de una política en una zona de la mesa no vista en el entrenamiento del 19% al 78%.

## Por qué un mundo de juguete

El alcance acotado es deliberado. En los benchmarks robóticos abiertos cuesta saber si una falla vino de la percepción, de la planificación o del control motor. Como ToyBlocks puede generar planes y acciones correctos en ambos niveles, los investigadores pueden reemplazar una capa por la versión correcta y ver cuál falló. Sigue abierta la pregunta de si lo que se aprende con bloques sobre una mesa se traslada a entornos más desordenados, y Ai2 plantea ToyBlocks como un punto de partida, no como una respuesta a esa pregunta.

## Puntos clave

- Ai2 publicó ToyBlocks el 6 de noviembre de 2026, con código bajo Apache 2.0, un dataset de 85.336 demostraciones y dos modelos entrenados.
- Con Claude Opus 5.5 vía MCP, las descripciones escritas por el agente subieron el éxito al 63%, contra 36% con descripciones de experto y 24% con las por defecto, según Ai2.
- El post no da tamaño de muestra ni intervalos de confianza para esa comparación y no enlaza ningún paper; todas las cifras son de Ai2.
- Hay una segunda versión, más grande, prevista para dentro de unas semanas, sin fecha.

## Por qué importa

- Las descripciones de herramientas son prompts que el modelo lee en cada llamada; los números de Ai2 sugieren que dejar que el agente pruebe una herramienta y la documente puede superar a la documentación escrita a mano.
- ToyBlocks les da a los investigadores de robótica un entorno reproducible, con código, datos y modelos abiertos, donde se puede rastrear si una falla viene de la percepción, la planificación o el control.
- Los resultados de simulación a hardware real fueron parecidos por habilidad individual (80,0% contra 81,1%), lo que respalda entrenar con datos generados, aunque la propia Ai2 dice que la muestra real es chica.

## Fuentes

- [ToyBlocks: A controlled world for robot learning and evaluation](https://huggingface.co/blog/allenai/toyblocks) — Ai2 (Hugging Face blog) (fuente primaria), consultada el 2026-11-06
- [allenai/ToyBlocks](https://github.com/allenai/ToyBlocks) — Ai2 (GitHub) (fuente primaria), consultada el 2026-11-06
- [allenai/toyblocks-data](https://huggingface.co/datasets/allenai/toyblocks-data) — Ai2 (Hugging Face) (fuente primaria), consultada el 2026-11-06

> Nota de una sola fuente: All three sources are Ai2's own release materials (announcement, code repository and dataset), published the same day. Independent coverage or replication of the results is not yet available, and all reported figures come from Ai2's own experiments.

*Investigada con asistencia de IA y verificada contra fuentes primarias antes de publicarse. Cada afirmación enlaza a su origen.*