LeRobot v0.6.0 يتخيّل المستقبل أثناء التدريب، ثم يجعل الاستدلال مجانيًا

كان التوتر المركزي في تعلم الروبوتات دائمًا هو الفجوة بين ما تراه السياسة وما تحتاج إلى توقعه. الروبوت الذي يمسك بكوب لا يحتاج فقط إلى معرفة زوايا المفاصل الحالية. بل يحتاج إلى توقع أين سيكون الكوب بحلول الوقت الذي تُغلق فيه أصابعه. تتجاهل الأساليب التقليدية هذا المستقبل تمامًا (الاستنساخ السلوكي) أو تحاكيه بتكلفة حسابية هائلة (التحكم التنبؤي بالنموذج مع توليد الفيديو). the-math-says-general-ai-is-a-myth-biology-markets-and-machine-learning-all-agree

نماذج عالمية تتدرب بقوة، وتستدل بخفة

يهاجم LeRobot v0.6.0 هذه المقايضة بشكل مباشر بثلاث سياسات نموذج عالمي تتعلم تخيّل المستقبل أثناء التدريب ولكنها تتخلص من هذا التخيّل عند الاستدلال. التصميم الأكثر لفتًا للانتباه هو VLA-JEPA، الذي يجمع بين VLA مضغوط مبني على Qwen3-VL-2B ونموذج عالمي JEPA يجب أن يتوقع الإطارات القادمة من أفعال النموذج نفسه. نظرًا لاختفاء النموذج العالمي عند الاستدلال، تحصل السياسة على فائدة الوعي المستقبلي أثناء التدريب دون أي تكلفة إضافية في وقت التشغيل. تتوفر ثلاث نقاط تحقق جاهزة للاستخدام على Hub، بما في ذلك قاعدة مدربة مسبقًا على DROID للضبط الدقيق. alibabas-qwen-readies-its-next-leap-a-35b-agent-world-model-and-the-quiet-expansion-of-the-qwen3-family

يسلك LingBot-VA مسارًا مختلفًا: نموذج فيديو-فعل انحداري يتنبأ بالفيديو والأفعال المستقبلية معًا، قطعة قطعة، باستخدام ملاحظات حقيقية للحفاظ على تخيّله واقعيًا. يمكن للمستخدمين حتى حفظ ما تخيّله الروبوت ومقارنته بالنتائج الفعلية. يعمل النموذج على وحدة معالجة رسوميات واحدة بسعة 24-32 جيجابايت. وفي الوقت نفسه، يجمع FastWAM بين خبير توليد فيديو بحجم ~5 مليار معلمة وخبير أفعال مضغوط في شبكة واحدة. يتعلم أن يحلم بمسارات تدريبه الخاصة قبل تخطي الحلم عند الاستدلال. how-nvidias-gr00t-17-cuts-the-distance-between-teleoperation-and-real-world-robot-learning

حديقة VLA تحصل على خمسة سكان جدد

يشحن الإصدار أيضًا موجة من نماذج الرؤية-اللغة-الفعل الجديدة، مما يعكس الوتيرة المتسارعة لأبحاث VLA. تقفز تكامل NVIDIA's GR00T إلى N1.7، مستبدلاً VLM السابق بـ Cosmos-Reason2-2B مع تنفيذ تم اختبار تكافئه مع Isaac-GR00T. أصبح MolmoAct2 من معهد ألين للذكاء الاصطناعي مدعومًا بالكامل مع الضبط الدقيق والتقييم والنشر على الروبوتات الحقيقية، ويتطلب فقط ~12 جيجابايت عند bf16. يجلب EO-1، الذي ساهم به أحد مؤلفيه، عمودًا فقريًا Qwen2.5-VL-3B مع مطابقة التدفق. يتيح Multitask Diffusion Transformer لنموذج واحد بحوالي ~450 مليون معلمة تعلم العديد من المهام المشروطة باللغة الطبيعية. ويحتوي EVO1 على تصميم InternVL3-1B بحجم 0.77 مليار معلمة لميزانيات GPU المتواضعة. the-specialization-revolution-how-smaller-models-are-redefining-ais-future

نماذج المكافآت: أخيرًا معرفة متى ينجح الروبوت

ظل اكتشاف النجاح قطعة مفقودة في حلقة تعلم الروبوتات لفترة طويلة. يملأ LeRobot v0.6.0 هذه الفجوة بواجهة برمجة تطبيقات موحدة لنماذج المكافآت خلف واجهة lerobot.rewards. Robometer، وهو نموذج مكافآت عام مُدرّب مسبقًا مبني على Qwen3-VL-4B، يُسجّل تقدم المهمة ونجاحها من فيديو خام بالإضافة إلى تعليمات لغوية دون أي تدريب خاص بالمهمة. تم تدريبه على أكثر من مليون مسار روبوتي. يذهب TOPReward إلى الصفرية الكاملة: فهو يلف أي VLM ويقرأ الاحتمال اللوغاريتمي للرمز "صحيح" بالنظر إلى فيديو المسار والتعليمات. يأتي كلاهما مع نصوص برمجية للوسم تكتب منحنيات التقدم لكل إطار في مجموعات البيانات، مما يتيح الاستنساخ السلوكي الواعي بالمكافأة وفحص جودة مجموعة البيانات. hugging-face-showcases-slack-native-coding-agent-and-ai-research-highlights

المعايير: واجهة سطر أوامر واحدة تحكمها جميعًا

يدمج الإصدار ستة معايير محاكاة جديدة في واجهة سطر أوامر واحدة lerobot-eval. يختبر LIBERO-plus VLAs بحوالي 10,000 متغير مهمة مضطربة عبر سبعة محاور. يغطي RoboTwin 2.0 50 مهمة مناولة ثنائية مع تنويع مجال كثيف. يمتد RoboCasa365 عبر 365 مهمة مطبخ في 2,500 مطبخ تم إنشاؤها إجرائيًا. يختبر RoboCerebra السلوك طويل الأمد بأهداف فرعية متسلسلة. RoboMME هو اختبار ذاكرة يغطي العد والأشياء المخفية والتقليد. يختبر VLABench المعرفة والاستدلال في المناولة، من أسئلة الفيزياء إلى المهام المركبة مثل تخمير القهوة. يأتي كل منها مع صورة Docker ونقطة تحقق أساسية من SmolVLA تم اختبارها في CI.

كود أخف، بيانات أسرع، تدريب سحابي

الكود الأساسي نفسه يصبح أخف: pip install lerobot يحمل الآن حوالي 40% أقل من التبعيات الأساسية مع إضافات خاصة بالميزات. يكشف تشفير الفيديو عن سطح التشفير الكامل مع فحص تسريع الأجهزة لـ NVENC وVAAPI وغيرها. تسجيل العمق شامل مع دعم Intel RealSense. يتسارع تحميل البيانات حتى 2x مع فك التشفير المتوازي للكاميرات المتعددة وذاكرة التخزين المؤقت الدائمة للعامل. تستخدم واجهة سطر الأوامر الجديدة lerobot-annotate VLM لوضع الطوابع الزمنية تلقائيًا للمهام الفرعية والخطط والتصحيحات عبر الحلقات. يتيح تدريب FSDP توزيع النماذج الأكبر من وحدة معالجة رسوميات واحدة عبر العمال. ويعمل نفس أمر lerobot-train في السحابة بعلم واحد , job.target، ويدعم أي شيء من T4 إلى 8x H200. sippsh-launches-open-source-library-for-local-ai-inference-with-3x-to-5x-speedup

نهج DRY لتعلم الروبوتات

الفلسفة التوجيهية وراء v0.6.0 هي "لا تكرر نفسك"، المطبقة ليس على الكود بل على الحساب. كل ميزة جديدة تحسّن نقل الذكاء من وقت التشغيل إلى وقت التدريب: نماذج عالمية تختفي عند الاستدلال، نماذج مكافآت تُدرّب مسبقًا على مليون مسار حتى لا تضطر إلى إعادة الوسم، معايير تختبر العديد من الاضطرابات دون إعادة تدريب. والنتيجة هي إطار لا يجمع النماذج فقط. بل ينظم الفهم المتزايد بأن عنق الزجاجة في تعلم الروبوتات ليس بنية النموذج بل كفاءة البيانات ودقة التقييم. how-open-source-risc-v-is-disrupting-the-processor-market-and-reshaping-hardware-design

إلى جانب عائلات المعايير التسع الموحدة الآن تحت سقف واحد، وواجهة سطر الأوامر الجديدة lerobot-rollout التي تدعم تصحيحات على غرار DAgger، والتدريب السحابي على HF Jobs، يضع LeRobot v0.6.0 نفسه كنظام تشغيل لأبحاث الروبوتات مفتوحة المصدر. دولاب تعلم الروبوتات: انشر، اجمع التصحيحات، اضبط بدقة، كرر، أصبح الآن على بعد علم CLI.