Попытки автоматизировать физический мир достигли критической точки с выходом LeRobot v0.6.0. Команда, в которую вошли Стивен Палми, Томас Вольф и Николя Рабу, представила обновление, которое бьет в самое больное место робототехники — запредельную стоимость ошибок при обучении в реальном времени. Платформа делает ставку на «мировые модели» (world models), позволяющие железу «воображать» будущее до того, как совершить физическое действие. Этот переход от реактивного поведения к предиктивному исполнению — не просто технический кунштюк, а прямая стратегия сокращения издержек для бизнеса.
Future imagination at zero inference cost
В версии 0.6.0 введено три типа политик (policies) для проверки того, насколько воображение реально помогает делу: VLA-JEPA, LingBot-VA и FastWAM. Модель VLA-JEPA, построенная на базе Qwen3-VL-2B, выглядит особенно перспективно для операций с ограниченными ресурсами. Она обучает робота предсказывать будущие кадры в латентном пространстве еще на этапе тренировки. Как следует из отчета, на этапе инференса (непосредственной работы) «мировая модель» JEPA фактически исчезает, оставляя все преимущества предиктивного надзора без лишней вычислительной нагрузки на бортовой компьютер.
политики, моделирующие будущее перед действием; reward-модели, фиксирующие успех; CLI для деплоя, превращающий ошибки в обучающие данные
Universal agents and the model zoo
Интеграция моделей GR00T N1.7 и MolmoAct2 знаменует окончательный уход от классического написания кода для манипуляторов в сторону VLA-систем (Vision-Language-Action). GR00T N1.7 теперь официально в «зоопарке» LeRobot. Эта базовая кросс-платформенная модель позволяет одной архитектуре управлять разными типами «тушек» — от простых клешней до сложных манипуляторов. По оценке разработчиков, порт покрывает весь жизненный цикл: от тонкой настройки до развертывания на реальном железе.
The infrastructure of scale
Масштабирование парка роботов раньше упиралось в необходимость вручную прописывать условия успеха для каждой задачи. LeRobot v0.6.0 пытается разорвать этот порочный круг через новые Reward Models и автоматизированную разметку. API-интерфейсы Robometer и TOPReward позволяют системе самостоятельно распознавать, справился робот с задачей или провалился. Это работает в связке с пайплайном аннотации датасетов на базе VLM, который генерирует текстовые описания для данных в промышленных масштабах. Чтобы еще сильнее снизить порог входа, обновление позволяет выносить обучение в облако через HF Jobs, используя технику FSDP (Fully Sharded Data Parallel) для работы с моделями, которые физически не влезают в локальную память видеокарт.
lerobot-rollout: развертывание получает собственный интерфейс командной строки
Процесс деплоя теперь управляется через CLI lerobot-rollout, поддерживающий коррекцию в стиле DAgger (human-in-the-loop). Когда робот начинает тупить, оператор вносит правку, и это взаимодействие тут же конвертируется в свежие данные для дообучения. Благодаря ускоренной в два раза загрузке данных и поддержке датчиков глубины, создается маховик: каждый операционный сбой напрямую кормит следующее обновление модели. Теоретически это должно радикально снизить совокупную стоимость владения (TCO) автономными системами.
Переход к мировым моделям вроде VLA-JEPA и FastWAM означает, что привычка «сначала подумать, потом сделать» наконец-то стала экономически оправданной. Однако ставка на шесть новых симуляционных бенчмарков в lerobot-eval оставляет открытым вопрос: способны ли виртуальные среды адекватно имитировать хаос реального склада или заводского цеха? Инфраструктура для масштабирования — от облачного обучения до автоматической разметки — готова, но главным тестом остается переход от «воображаемых» прогонов к реальному трению физического мира.