LeRobot v0.6.0 собрал мировые модели и VLA в одном фреймворке: робототехника и ИИ от 12 ГБ видеопамяти

Нет, стоп. Это системный промпт-пример, не мой текст. Пишу новость по источнику.

---

LeRobot v0.6.0, обновление библиотеки с открытым кодом для робототехники и ИИ, добавило три политики мировых моделей, пять новых VLA-моделей (модели «зрение-язык-действие»), единый API для моделей вознаграждения и шесть симуляционных бенчмарков, заметно снизив порог входа для разработчиков роботов.

Обновление выпустила команда Hugging Face. LeRobot (открытая библиотека для робототехники и ИИ) до версии 0.6.0 уже поддерживала обучение и деплой политик для роботов, но мировые модели, массовая интеграция VLA и единая система оценки результатов появились именно сейчас. Релиз вышел на фоне роста интереса крупных компаний к открытым моделям для манипуляторов и мобильных роботов.

Роботы, которые «воображают» будущее, но не тратят на это ресурсы

Главная идея обновления: мировые модели (world models) учат робота предсказывать, что произойдёт дальше, ещё на этапе обучения. Это как мысленная репетиция: модель «представляет» кадры будущего, чтобы лучше понять последствия своих действий.

Ключевой трюк: при реальной работе робота эта «воображаемая» часть отключается. Робот действует быстрее, а качество решений остаётся высоким.

Три новые политики решают эту задачу по-разному:

• VLA-JEPA построена на базе Qwen3-VL-2B. Предсказывает будущее в скрытом (латентном, то есть сжатом числовом) пространстве, при инференсе (при работе модели в реальном времени) мировая модель не используется. На Hub выложены три готовых чекпоинта, включая базу для дообучения (обучения модели на ваших примерах под узкую задачу) на собственных данных.
• LingBot-VA генерирует видео и действия вместе, кусок за куском, и сверяется с реальной картинкой, чтобы «фантазии» не уходили от реальности. Можно сохранить то, что робот «вообразил», и сравнить с тем, что произошло. Работает на одном GPU с 24-32 ГБ видеопамяти.
• FastWAM объединяет генератор видео на около 5 млрд параметров и компактный модуль действий в одной сети. При обучении модель буквально «видит сны» о своих роллаутах, а при работе пропускает стадию воображения и сразу выдаёт действия.

Пять новых VLA-моделей: от 450 млн до нескольких миллиардов параметров

VLA (Vision-Language-Action, «зрение-язык-действие») это модели, которые принимают картинку с камеры и текстовую команду, а на выходе дают конкретное действие для робота. В версии 0.6.0 их стало заметно больше:

• GR00T N1.7 от NVIDIA. Обновление интеграции: модель теперь использует Cosmos-Reason2-2B (на базе Qwen3-VL) с головой генерации действий. Установка упрощена, Flash-attention стала необязательной. Заменяет N1.5 в LeRobot.
• MolmoAct2 от Allen Institute for AI. Полный цикл: дообучение (полное или LoRA), оценка, деплой на реальном роботе. Инференс умещается в 12 ГБ видеопамяти (bf16), дообучение через LoRA (метод экономного дообучения, когда меняется лишь малая часть весов) на одном GPU с 24 ГБ.
• EO-1 на базе Qwen2.5-VL-3B. Предобучена на чередующихся данных «зрение-текст-действие», вклад одного из авторов оригинальной статьи.
• Multitask DiT (Multitask Diffusion Transformer). Около 450 млн параметров, выбор задачи через текстовую команду на естественном языке. Поддерживает диффузию и flow-matching.
• EVO1: всего 0,77 млрд параметров, InternVL3-1B с головой flow-matching. Работает в реальном времени на скромных GPU.

Единый API вознаграждений и шесть бенчмарков

Раньше у LeRobot не было стандартного способа оценить, справился ли робот с задачей. Теперь появился единый API моделей вознаграждения (reward models). Среди них Robometer на базе Qwen3-VL-4B: оценивает прогресс и успех задачи по сырому видео и текстовой инструкции, без дополнительного обучения на конкретную задачу.

Шесть новых симуляционных бенчмарков объединены под утилитой lerobot-eval: единая командная строка для запуска оценки.

Дополнительно обновлены датасеты: поддержка данных глубины, автоматическая языковая аннотация, настраиваемое кодирование видео и ускорение загрузки данных до двух раз.

Что делать с этим прямо сейчас?

Разработчику робототехники и ИИ в России. Все модели доступны через Hugging Face Hub. Для запуска MolmoAct2 достаточно видеокарты с 12 ГБ видеопамяти, а EVO1 с 0,77 млрд параметров работает в реальном времени на потребительских GPU. Главное ограничение: Hugging Face Hub может работать нестабильно из российских сетей, поэтому чекпоинты лучше скачать заранее. Физические роботы (SO-100/101), упомянутые в документации, придётся собирать самостоятельно или адаптировать под доступное в РФ оборудование.

Автору Дзена, пишущему про технологии. Релиз даёт конкретный повод объяснить аудитории, что робототехника и ИИ перестают быть историей про закрытые лаборатории. Модель с 450 млн параметров, которую можно обучить самому, это наглядный аргумент.

Предпринимателю. Если вы присматриваетесь к роботизации складов, производства или сервиса, LeRobot снижает стоимость эксперимента: опенсорс, готовые чекпоинты, дообучение на одном GPU. Российских аналогов фреймворка такого масштаба пока нет, ближайшее по духу направление: проекты на базе ROS 2 с отечественными манипуляторами.

Релиз показывает: робототехника и ИИ движутся к модели «скачал, дообучил, запустил», и порог входа впервые опустился до одной видеокарты за 50-80 тысяч рублей.

По данным LeRobot v0.6.0 changelog