↑

MIT 韩松团队开源 PEAR:27B 模型零真机数据,单张 5090 操控双臂机器人

PromptTree|阅读 4
2026/11/16 07:36
MIT韩松PEAR具身智能强化学习
MIT 韩松团队开源 PEAR:27B 模型零真机数据,单张 5090 操控双臂机器人
MIT 韩松团队开源机器人后训练项目 PEAR,把 Qwen3.8-27B 训练成可直接驱动真实机械臂的模型,全程仅在仿真中做强化学习、不用人类演示与真机数据,在从未见过的双臂 YAM 上完成 30 次测试中的 18 次,单张 RTX 5090 解码约 221 tok/s。

机器人圈最近有个流行的乐观判断:既然 GPT-6 Astra、Claude Fable 5.2 这类前沿模型已经能看图写动作,通用大模型迟早会接管机器人操控的一切。现实很快给了账单——模型太大、推理太贵、延迟太高,端侧的算力、功耗与散热都不答应。

MIT 韩松团队给出的方案是把开源模型本身训到能直接用机器人,而不是在外面挂一层外挂。项目名为 PEAR(Post-training Engine for Agentic Robotics),核心是把 Qwen3.8-27B 接上真实双臂机器人。第一作者 Jiaming Tang 在社交平台上写道,模型可以在一张 RTX 5090 上本地运行;韩松转发时总结:零条演示、27B 模型,在从未接触过的真机上从 0 次成功做到 18/30。

方法上最有巧思的一步,是把「电脑操作」的范式平移到三维空间。电脑操作智能体的回路是:看截图、在思维链里判断、输出一次点击坐标、由操作系统执行。PEAR 的回路是:每回合接收三路摄像头画面与机械臂当前关节状态,在思维链里分析夹爪与目标物体的相对位置,输出一段 JSON,给出末端执行器下一目标位姿的六个分量(x、y、z 与 roll、pitch、yaw),再由逆运动学解算关节角度,底层控制器驱动机械臂到位。这一回合的观察、推理与动作写回上下文,进入下一轮。

整条链路里没有独立的感知模块、没有抓取规划器、也没有预置技能库。定位物体、规划路径、修正偏差,全部由模型从画面里直接生成。代价是每回合只输出一个目标位姿,不能稳定产出动作块(action chunk),复杂动作必须拆成多回合;如果底层控制器实现得不好,某些位置还会动作过猛或错过目标。收益是通用性——同一套协议换个机器人,只需改提示词里的部件列表与机体描述。

训练方法叫 Robot-Use RL。基础设施建在 veRL 之上,算法主体是 GRPO,全异步采样与更新,配合动态采样与 score centering 校正策略滞后;长上下文训练用 FSDP 与序列并行,梯度检查点与激活卸载控制显存,跨轮次的 KV 缓存由 LMCache 卸载到 CPU 内存。仿真环境挂在同一个 Ray 集群里,MuJoCo 跑 CPU、Isaac Sim 跑 GPU。整个流程没有采集一帧人类遥操作演示,也没有使用任何真机数据,训练约消耗 5 万个 H100 等效 GPU 小时。

成绩分几层看。LIBERO 基准上,底座模型零样本成功率只有 1.6%,后训练后达到 74.4%;这个数字超过 GPT-6 Astra 与 GPT-6.1 Sol 的中档设置,接近其高档。但与专用操作策略 π0.5 相比,PEAR 落后——π0.5 在原版 LIBERO 上是 96.9%,因为它做过逐任务的监督微调。

真正的差异出现在任务被改写时。LIBERO-Pro 会改动任务目标与物体布局:只替换指令(训练时「把碗放到盘子上」,评测时改成「把碗放到炉灶上」),π0.5 从 96.9% 跌到 0.75%,损失 96.2 分,PEAR 从 74.4% 降到 57.4%,损失 17 分;只对调物体位置,π0.5 落到 20.8%,PEAR 为 57.5%。两个模型的差别在于能力来源:一个依赖训练中见过的运动模式,模式失效就断崖;另一个保留了底座模型的指令理解与视觉感知,强化学习教会它按当前画面重新生成位姿。

真机测试是最后一关。三个模型都被拿到一台训练中从未出现的双臂 YAM 上做零样本评测,不加任何外挂。最终模型 30 次测试成功 18 次,成功率 60%,底座为 0。硬件上,模型服务器部署在一张 RTX 5090(24GB 显存)上,权重采用 NVFP4 量化,解码速度 221 tok/s;同套代码在单张 GB300 上达到 747 tok/s,在 Apple M5 Max 上为 52 tok/s。机器人每一步动作前都要走一遍思维链,解码速度直接对应机械臂的响应节奏——这是本地闭环能成立的工程前提。

开源范围覆盖了复现与二次开发所需的主要组件:训练配方与部署示例、Hugging Face 上的权重、技术博客与论文;部署侧包含 vLLM 模型服务器与负责驱动 YAM 或 SO-101 的机器人站。通用能力也基本没退化:AIME 2026 得 98.5、GPQA Diamond 89.7、LiveCodeBench 88.4,与底座差距很小,视觉基准分差不超过 2 分。

边界需要说清楚。60% 的真机成功率距离生产级可靠性仍有距离,30 次测试样本量偏小,所有数字来自团队自建评测与自述,尚未经第三方独立复现;与原版 LIBERO 上 π0.5 的 20 多个百分点差距,说明在训练分布高度匹配的场景里,专用模仿策略依然占优。但 PEAR 提出的问题可以被直接检验:一个 27B 开源权重模型,只靠仿真强化学习,在单张消费级显卡上以超过 220 tok/s 驱动真实机械臂,训练不依赖真机数据与人类演示——这把机器人后训练的硬件门槛与数据门槛同时向下拉了一档。