LeRobot v0.6.0 من Hugging Face: الروبوتات تتعلم التنبؤ بالمستقبل وتقييم نفسها

أطلقت Hugging Face LeRobot v0.6.0 في 7 يوليو 2026 — وهي تحديث رئيسي للإطار العمل مفتوح المصدر لتدريب الروبوتات التي تغلق الحلقة: يمكن للروبوتات الآن التنبؤ بنتائج الإجراءات وتقييم نجاحها تلقائياً وتلقي تصحيحات في الوقت الفعلي من المشغل.

ما الذي يمكن لسياسات النموذج العالمي الجديدة أن تفعله

سياسات النموذج العالمي هي الابتكار الرئيسي لهذا الإصدار. تتيح ثلاث معماريات جديدة للروبوتات أن "تتخيل" المستقبل مباشرة أثناء التدريب.

VLA-JEPA تدرب نموذج رؤية-لغة-إجراء مضغوط للتنبؤ بالإطارات المستقبلية في الفضاء الكامن. أثناء الاستدلال، يتم التخلص من النموذج العالمي، لذا لا تتأثر السرعة. تتوفر ثلاث نقاط تفتيش جاهزة للاستخدام، بما في ذلك تلك المدربة مسبقاً على مجموعة بيانات DROID.

LingBot-VA يعمل كنموذج فيديو-إجراء ذاتي انحداري: يتنبأ بالإطارات والإجراءات بشكل متسلسل، باستخدام الملاحظات الحقيقية للتحقق الذاتي. يناسب الاستدلال على بطاقة رسومات واحدة بـ 24–32 غيغابايت من ذاكرة الوصول العشوائي.

FastWAM يجمع بين خبير توليد فيديو بحوالي 5 مليارات معامل وخبير إجراءات مضغوط. أثناء الاستدلال، فإنه ينزع الضوضاء مباشرة من أجزاء الإجراءات — بدون خيال، أسرع من LingBot-VA.

يتضمن الإصدار أيضاً "حديقة" كاملة من نماذج VLA: GR00T N1.7 من NVIDIA مع Cosmos-Reason2-2B و MolmoAct2 من Allen Institute (SO-100/101، ~12 غيغابايت في bf16) و EO-1 مع Qwen2.5-VL-3B و Multitask DiT (~450 مليون معامل) و EVO1 المضغوط (0.77 مليار) مع دعم التقسيم في الوقت الفعلي.

كيف تقيّم الروبوتات الآن نجاح المهام

تتيح نماذج المكافأة الجديدة للروبوتات فهم ما إذا أكملت مهمة، بدون تعليق يدوي.

Robometer — محيّم شامل لتقدم المهام يعتمد على Qwen3-VL-4B، مدرب على أكثر من مليون مسار روبوتي. يأخذ الفيديو وتعليمات اللغة الطبيعية كمدخلات ويعيد درجة نجاح بدون ضبط دقيق للمهام المحددة.

TOPReward لا يتطلب أوزان خاصة: فهو يغلف نماذج VLM الجاهزة للاستخدام ويقرأ الاحتمالات اللوغاريتمية لرموز النجاح بناءً على مسار الفيديو.

الحقائق الرئيسية عن الإصدار:

• تاريخ الإصدار — 7 يوليو 2026
• ثلاث سياسات نموذج عالمي: VLA-JEPA و LingBot-VA و FastWAM
• Robometer مدرب على 1+ مليون مسار روبوتي (Qwen3-VL-4B)
• ستة معايير محاكاة جديدة؛ تسع عائلات في المجمل
• تحميل مجموعة فرعية من البيانات — من 275 ثانية إلى 0.06 ثانية
• التثبيت الأساسي أخف بنسبة 40% بفضل الإضافات المعيارية

ما الذي تغير للمطورين

يتم توحيد ست محاكاة جديدة تحت واجهة سطر الأوامر `lerobot-eval`: LIBERO-plus بـ ~10,000 تباين عبر سبعة محاور اضطراب و RoboTwin 2.0 مع 50 مهمة ثنائية الذراع و 100,000+ مسار و RoboCasa365 مع 365 مهمة طبخ في 2,500 مطبخ مُنتج بشكل إجرائي و RoboCerebra مع حلقات أفق طويل من 3–6 مهام فرعية و RoboMME لاختبار الذاكرة وعد الأجسام و VLABench للمعرفة والاستدلال.

تتضمن واجهة سطر الأوامر `lerobot-rollout` استراتيجية DAgger: يأخذ المشغل التحكم، ويتم تسجيل التصحيحات وتصنيفها للدورة الضبط الدقيق التالية. يكون نقل التحكم سلساً.

يسمح دعم FSDP عبر Accelerate بتدريب النماذج التي لا تناسب بطاقة رسومات واحدة: يتم تقسيم المعاملات والتدرجات وحالة المحسّن عبر المسرّعات، ويتم تجميع نقطة التفتيش في ملف `model.safetensors` واحد.

"إغلاق حلقة تدريب الروبوتات يعني أنه عندما تستطيع السياسة تخيل النتائج، يمكن للنظام تقييم النجاح، ويمكن للإنسان تصحيح الأخطاء بشكل فعال," — من ملاحظات الإصدار الرسمية لـ

LeRobot v0.6.0.

ماذا يعني هذا

يوفر LeRobot v0.6.0 بنية تحتية مفتوحة للدورة الكاملة لتعلم الآلة الروبوتي: توليد البيانات والتدريب مع النماذج العالمية والتقييم التلقائي من خلال نماذج المكافأة والتصحيحات مع الإنسان في الحلقة — كل ذلك من مجموعة واحدة من واجهات سطر الأوامر. وهذا يقلل من حاجز الدخول ويسرع التكرارات بدون مكدسات ملكية مغلقة.

الأسئلة المتكررة

ما مقدار ذاكرة الفيديو المطلوبة لتشغيل LingBot-VA؟

يتطلب LingBot-VA بطاقة رسومات بـ 24–32 غيغابايت من ذاكرة الوصول العشوائي. إذا كانت ذاكرة الوصول العشوائي أقل — فإن MolmoAct2 مناسب، والذي يناسب حوالي 12 غيغابايت عند العمل بتنسيق bf16 على SO-100/SO-101.

ما هو Robometer وكيف يقيم المهام؟

Robometer هو نموذج مكافأة يعتمد على Qwen3-VL-4B، مدرب على أكثر من مليون مسار روبوتي. يأخذ حلقة فيديو وتعليمات نصية كمدخلات ويعيد درجة تقدم بدون ضبط دقيق للمهام المحددة.