AREXOpen in interactive Feed

AREX Feed Article

MIT HAN Lab 开源 PEAR：零人类示范、纯仿真强化学习训练的 27B 机器人模型，真机成功率自报从 0 到 18/30

November 14, 2026

MIT HAN Lab 在 11 月 13 日（北京时间 14 日凌晨）开源了机器人项目 PEAR：一个基于 Qwen3.8-27B 训练的 27B 机器人操作模型，连同模型权重、代码与完整训练基建。实验室博士生 Jiaming Tang（其 自述研究方向为 MLSys 与算法）在 开头写道，最近「大家都在展示 Fable 和 GPT-6 Astra 驱动机械臂」，而他们「训练了一个开源的 27B Qwen 模型来做这件事，纯粹靠它在仿真中的自我尝试，零人类示范」；帖子称，在一台它从未接触过的真实机械臂上，这个模型现在 30 次测试成功 18 次，训练前是 0 次。

同步上线的题为 Training Reasoning Models in Simulation to Natively Use Real Robots（在仿真中训练推理模型，原生使用真机机器人），署名 11 位作者，来自 MIT、UC Berkeley、UCSD、NVIDIA 和 Inco AI，随附。帖子还给出一个部署相关的数字：模型可以在一张 RTX 5090 上以 220+ tok/s（每秒 token 数）本地推理。发布约六个半小时后（本文查询时），这条帖子获得 327 次点赞、约 2.2 万次浏览。本文引用的全部能力数字均出自该团队自己的博客与论文，属当事方自测口径。

一台从未见过的双臂 YAM：对齐积木、通用抓取与临摹

博客描述的真机测试对象是一台双臂 YAM 机械臂，共 30 次尝试、全部在 xhigh 推理力度（effort，即思考时长档位）下进行。「对齐积木」占 10 次：5 个初始布局不同的场景各做 2 次，指令是用三角板把三块积木推成一条直线，然后放下三角板、机械臂复位；「通用抓取」占 20 次：绳子、螺丝、遥控器、乌龟毛绒玩具、网球、订书机、洗洁精、喷壶、气筒、刷子共 10 件物品各抓 2 次，指令是「把 ⟨物品⟩ 拾起 10 厘米」。单次尝试超过 25 个回合，或单回合思维链超过 32k token，即判失败。

成绩按检查点分层：Qwen3.8-27B 基座模型 0/30；只在 LIBERO 上做过 RL 的中间检查点 7/30——博客强调它既没见过这些任务，也没见过这台机器人；加上 RoboDojo 继续仿真训练后的最终模型 18/30，即 60%。团队称整个流程没有用任何真机数据。

博客还演示了两个需要知识的任务：给模型一张《星月夜》原图，让它在白板上画出简笔线稿；化学实验是从碘、乙醇、酚酞三种试剂中选出能检验碱性的那一个——模型选了酚酞，滴入后溶液变粉。博客注明，这类任务的提示词需要事先详细描述机械臂与任务本身，所需的世界知识来自基座模型。

Robot-Use RL：唯一的奖励信号是任务成败

博客把这套模型称作 robot-use agent，类比操作电脑的 computer-use agent：后者看截图、推理、把点击写成文字交给操作系统执行；PEAR 模型每一轮观察相机画面和机械臂状态，链式推理后把末端执行器的下一个位姿写成文字，由逆运动学和控制器执行。两者之间没有别的层：没有感知工具、抓取或运动规划器、技能库，也不需要外围脚手架（harness），此前每一轮都留在上下文里，模型记得自己做过什么。

训练方法被团队命名为 Robot-Use RL：在仿真环境里对机器人任务做强化学习（RL），奖励只有任务成败。具体算法是 GRPO 加 DAPO 的组过滤与 Score Centering，全程没有监督微调（SFT）——团队在博客给出两个理由：缺少高质量同分布数据，且担心 SFT 损伤模型的通用能力。

训练在 基准上展开：基座模型在 Goal、Spatial、Object 三个套件上只有约 2% 的回合能成功，训练 148 步内成功率升到约 70%；第 149 步起加入第四个套件 LIBERO-Long，LIBERO 总成功率在第 225 步达到 74.4%（2,000 个评测回合）。作为对照，博客测得 OpenAI 的 GPT-6 Astra 在最大推理力度下为 80.6%，GPT-6.1 Sol 为 76.2%——帖子里「接近 Astra max」指的是 6.2 分的差距。随后模型再在 RoboDojo 的 general_pickup 与 align_blocks 两个任务上继续 115 步 RL，训练成功率从约 25% 升到约 70%，最终检查点在这两个任务上分别达到 71.2% 和 78.8%。

代价与基建：整个训练约 50,000 H100 等效 GPU 小时，单个训练回合平均 94k token、19.7 轮、39～59 张图片；训练基建 PEAR（Post-training Engine for Agentic Robotics）基于 veRL 与 LMCache 搭建，以 Apache-2.0 开源，训练跑在 H100、H200 和 GB300 上。

对 π0.5：LIBERO 落后 22.5 分，扰动基准反超

是一个视觉-语言-动作（VLA）模型，博客说明它在 LIBERO 上对每个任务都用人类示范做了监督微调。在 LIBERO 本身，π0.5 拿 96.9%，高出 PEAR 模型 22.5 分——这是双方都只练 LIBERO 的前提下测的。

换到扰动基准上局面反转。LIBERO-Plus 主要扰动相机、光照、背景和传感器噪声等观测条件，两者掉分相近：π0.5 掉 11.2 分到 85.7%，PEAR 模型掉 12.2 分到 62.2%。LIBERO-Pro 会改变任务目标和物体布局：π0.5 掉 43.6 分到 53.3%，PEAR 模型只掉 12.3 分到 62.1%——π0.5 在 LIBERO 上的领先变成 8.8 分的落后。

最悬殊的一项是同一场景换一条新指令：博客举例把「把碗放到盘子上」换成「把碗放到灶台上」，π0.5 从 96.9% 跌到 0.75%，PEAR 模型从 74.4% 只跌到 57.4%。物体位置对调的扰动同理：π0.5 掉 76.1 分到 20.8%，PEAR 模型掉 16.9 分到 57.5%。不过博客同样写明：如果只是把指令换个说法或把物体换个样式，π0.5 仍然领先（95.8% 对 73.3%、96.0% 对 60.2%）。博客把差异归结为「模仿示范」与「读懂任务」的分别：π0.5 在示范给出的动作仍然正确时守得住，动作必须改变时就崩。

迁移测试出自博客同一节：只练过 LIBERO 三个套件的模型，在没见过的 LIBERO-Long 上零样本拿到 39.0%，基座只有 0.4%；换到不同仿真器、双臂 ARX 机械臂的 RoboDojo，general_pickup 从基座的 10.7% 升到 39.9%；第三个基准 RoboLab-120（120 个桌面任务、1,200 个回合）上拿到 37.3%，高于 RoboLab 排行榜（2026 年 11 月数据）上 π0.5 的 28.0%、DreamZero 的 25.7% 和 GR00T N1.6 的 7.2%，与 Cosmos3-Nano-Policy 的 36.8% 相当。

通用能力无可测损失，本地推理速度有前提

通用能力是这篇博客反复强调的一条线。团队对九个基准做了 RL 前后的同题配对比较：平均变化 −0.15 分，九个 95% 置信区间全部包含零。具体包括 AIME 2026 数学 98.3→98.5，GPQA Diamond 89.6→89.7，LiveCodeBench v6 88.0→88.4，MMMU 80.7→81.0；掉得最多的是 ERQA 具身推理，68.5→66.5。博客的结论写成一句话：同一个模型现在既会推理、写代码、看图答题，也会用机器人。

推理速度方面，用 NVFP4 量化权重加 DFlash2 投机解码草稿模型，一张 RTX 5090 解码 221 tok/s（帖子说的「220+ tok/s」即此），GB300 上 747 tok/s，M5 Max 笔记本上 52 tok/s；以 747 tok/s 计，一轮 xhigh 推理约 4.3 秒。这组数字有两个限定：团队所有评测都用 BF16 权重，并注明 NVFP4 会降低精度、拉长思维链；推理力度本身是个开关，低力度下每轮只想 0.86k token，LIBERO 成功率从 74.4% 跌到 21.9%——博客承认，模型在 LIBERO 上的大部分能力来自每一步移动之前的长推理。

自测口径、自认局限与公开的复现路径

博客的局限一节直接列出了这些问题：受 GPU 资源限制，RoboDojo 只练了两个任务就停下，训练只覆盖两个仿真器和一小撮任务，起点是 27B 基座；RL 不设长度惩罚，个别回合思维链达到 32k token，即便推理再快，一步移动也可能超过半分钟；27B 基座对所控机体（embodiment）缺乏知识，信息得写进提示词，复杂任务只有在详细描述机体和任务后才能完成；模型不能可靠地规划动作块（action chunk），每轮只输出下一个位姿，精度部分取决于控制器实现。

这些成绩能否被独立复现，本文引用的材料无法回答。发布物本身是完整的——权重挂在 Hugging Face 上 11 月 13 日创建的 下，代码与训练基建在 GitHub（本文查询时 24 star、3 fork，更新于 11 月 13 日），仓库还给出部署配方：一张 RTX 5090 或一块 GB300 跑 vLLM 模型服务，机器人站驱动 YAM 或 SO-101 机械臂。团队在博客结尾说，希望这些结果能推动社区把 Robot-Use RL 纳入基础模型的后训练流程；这套说法能否立住，接下来要看有没有人在他们公开的这套栈上把数字跑出来。

参考链接

  • Jiaming Tang 的 X 帖子（2026-11-13）：
  • Jiaming Tang 的 X 个人页：
  • PEAR 项目博客：
  • 随附论文 PDF：
  • GitHub 仓库 mit-han-lab/pear：
  • Hugging Face PEAR 模型集合：
  • π0.5 论文（arXiv:2504.16054）：
  • LIBERO 论文（arXiv:2306.03310）：