공개 하네스로 로봇 에이전트 연구 진전

연구진이 오픈 웨이트 모델로 로봇 사용 에이전트를 훈련하는 통합 하네스 uni-robot-agent를 공개해 후속 훈련 연구에 더 쉽게 접근하도록 했습니다. 논문은 11월 1일 발표됐고 11월 3일 Hugging Face에 제출됐습니다. 로봇 사용 에이전트는 과제별 예시 없이 조작 작업을 수행하는 제로샷 조작 능력을 보여 왔지만, 최첨단 독점 모델에 의존해 후속 훈련 연구가 제한돼 왔습니다.

특권 입력 없이 기본 설정의 Qwen3.8-Flash-Next는 RoboDojo에서 31.39점을 기록했습니다. 이는 공개된 GPT-6 Astra-RoboProbe의 28.97점보다 높고, 여러 VLA 및 WAM 기준 모델 점수도 웃돌았습니다. 실제 환경의 19개 과제에서도 경쟁력 있는 성능을 보였습니다. 연구진은 이 통합 하네스가 오픈 웨이트 로봇 사용 에이전트의 추가 훈련을 지원한다고 밝혔습니다.

연구진은 여러 세대와 계열, 크기의 모델을 분석해 효과적인 로봇 사용과 네 가지 일반 역량 사이의 연관성을 제시했습니다. 향후 로봇 사용 에이전트 훈련에서는 이 역량들을 함께 개발해야 한다고 제안했습니다. 다만 네 가지 역량의 이름이나 과제별 추가 점수는 공개되지 않아, 보고된 결과는 RoboDojo 종합 점수와 19개 과제의 성능으로 한정됩니다.

연구진이 오픈 웨이트 모델로 로봇 사용 에이전트를 훈련하는 통합 하네스 uni-robot-agent를 공개해 후속 훈련 연구에 더 쉽게 접근하도록 했습니다. 논문은 11월 1일 발표됐고 11월 3일 Hugging Face에 제출됐습니다. 로봇 사용 에이전트는 과제별 예시 없이 조작 작업을 수행하는 제로샷 조작 능력을 보여 왔지만, 최첨단 독점 모델에 의존해 후속 훈련 연구가 제한돼 왔습니다.

특권 입력 없이 기본 설정의 Qwen3.8-Flash-Next는 RoboDojo에서 31.39점을 기록했습니다. 이는 공개된 GPT-6 Astra-RoboProbe의 28.97점보다 높고, 여러 VLA 및 WAM 기준 모델 점수도 웃돌았습니다. 실제 환경의 19개 과제에서도 경쟁력 있는 성능을 보였습니다. 연구진은 이 통합 하네스가 오픈 웨이트 로봇 사용 에이전트의 추가 훈련을 지원한다고 밝혔습니다.

연구진은 여러 세대와 계열, 크기의 모델을 분석해 효과적인 로봇 사용과 네 가지 일반 역량 사이의 연관성을 제시했습니다. 향후 로봇 사용 에이전트 훈련에서는 이 역량들을 함께 개발해야 한다고 제안했습니다. 다만 네 가지 역량의 이름이나 과제별 추가 점수는 공개되지 않아, 보고된 결과는 RoboDojo 종합 점수와 19개 과제의 성능으로 한정됩니다.