LeRobot v0.6.0 de Hugging Face: los robots aprenden a predecir el futuro y evaluarse a sí mismos

Hugging Face lanzó LeRobot v0.6.0 el 7 de julio de 2026 — una actualización importante del framework de código abierto para entrenamiento de robots que cierra el bucle: los robots ahora pueden predecir los resultados de las acciones, evaluar automáticamente su éxito y recibir correcciones en tiempo real de un operador.

Qué pueden hacer las nuevas políticas de world-model

Las políticas de world-model son la innovación clave de esta versión. Tres nuevas arquitecturas permiten que los robots "imaginen" el futuro directamente durante el entrenamiento.

VLA-JEPA entrena un modelo compacto vision-language-action para predecir fotogramas futuros en espacio latente. Durante la inferencia, el world-model se descarta, por lo que la velocidad no se ve afectada. Tres puntos de control listos para usar están disponibles, incluidos aquellos preentrenados en el dataset DROID.

LingBot-VA funciona como un modelo autorregresivo de vídeo-acción: predice fotogramas y acciones secuencialmente, utilizando observaciones reales para autovalidación. La inferencia se ajusta en una sola GPU con 24–32 GB de VRAM.

FastWAM combina un experto en generación de vídeo con ~5B parámetros con un experto en acciones compacto. Durante la inferencia, desruida directamente fragmentos de acciones — sin imaginación, más rápido que LingBot-VA.

La versión también incluye un "zoo" completo de modelos VLA: GR00T N1.7 de NVIDIA con Cosmos-Reason2-2B, MolmoAct2 de Allen Institute (SO-100/101, ~12 GB en bf16), EO-1 con Qwen2.5-VL-3B, Multitask DiT (~450M parámetros) y el compacto EVO1 (0,77B) con soporte para chunking en tiempo real.

Cómo los robots ahora evalúan el éxito de la tarea

Los nuevos modelos de recompensa permiten que los robots entiendan si completaron una tarea, sin anotación manual.

Robometer — un evaluador universal de progreso de tareas basado en Qwen3-VL-4B, entrenado en más de un millón de trayectorias robóticas. Toma vídeo e instrucciones en lenguaje natural como entrada y devuelve una puntuación de éxito sin ajuste fino para tareas específicas.

TOPReward no requiere pesos especiales: envuelve modelos VLM listos para usar y lee probabilidades logarítmicas de tokens de éxito basadas en la trayectoria del vídeo.

Hechos clave sobre la versión:

• Fecha de lanzamiento — 7 de julio de 2026
• Tres políticas de world-model: VLA-JEPA, LingBot-VA, FastWAM
• Robometer entrenado en 1+ millón de trayectorias robóticas (Qwen3-VL-4B)
• Seis nuevos benchmarks de simulación; nueve familias en total
• Carga de subconjunto de dataset — de 275 segundos a 0,06 segundos
• Instalación base 40% más ligera gracias a extras modulares

Qué cambió para los desarrolladores

Seis nuevas simulaciones se unifican bajo el CLI `lerobot-eval`: LIBERO-plus con ~10.000 variaciones en siete ejes de perturbación, RoboTwin 2.0 con 50 tareas de dos brazos y 100.000+ trayectorias, RoboCasa365 con 365 tareas de cocina en 2.500 cocinas generadas proceduralmente, RoboCerebra con episodios de largo horizonte de 3–6 subtareas, RoboMME para probar memoria y conteo de objetos, y VLABench para conocimiento y razonamiento.

El CLI `lerobot-rollout` incluye estrategia DAgger: el operador toma el control, las correcciones se registran y etiquetan para el siguiente ciclo de ajuste fino. La transferencia de control es suave.

El soporte FSDP a través de Accelerate permite entrenar modelos que no caben en una sola GPU: los parámetros, gradientes y estado del optimizador se distribuyen entre aceleradores, y el checkpoint se ensambla en un único `model.safetensors`.

"Cerrar el bucle de entrenamiento de robots significa cuando la

política puede imaginar resultados, el sistema puede evaluar éxito y un humano puede corregir errores de manera efectiva," — de las notas oficiales de versión LeRobot v0.6.0.

Qué significa esto

LeRobot v0.6.0 ofrece una infraestructura abierta para el ciclo completo de ML robótico: generación de datos, entrenamiento con world-models, evaluación automática mediante modelos de recompensa y correcciones con humanos en el bucle — todo desde un único conjunto de CLIs. Esto reduce la barrera de entrada y acelera las iteraciones sin pilas propietarias cerradas.

Preguntas frecuentes

¿Cuánta memoria de vídeo se necesita para ejecutar

LingBot-VA?

LingBot-VA requiere una GPU con 24–32 GB de VRAM. Si la VRAM es menor — MolmoAct2 es adecuado, que cabe en aproximadamente 12 GB al trabajar en formato bf16 en SO-100/SO-101.

¿Qué es Robometer y cómo evalúa tareas?

Robometer es un modelo de recompensa basado en Qwen3-VL-4B, entrenado en más de un millón de trayectorias robóticas. Toma un episodio de vídeo e instrucciones de texto como entrada y devuelve una puntuación de progreso sin ajuste fino para tareas específicas.