RoboHarness: un agente de codificación con Qwen3.8-Flash-Next supera a los modelos VLA en BEHAVIOR

Investigadores de la Universidad de Zhejiang (Bince Qu, Wei Chen y Bo Zhang) han liberado el código de RoboHarness, una capa ligera que convierte a un agente de codificación común en operador de un robot. Combinado con Qwen3.8-Flash-Next, superó en las tareas de BEHAVIOR Challenge 2025 a los modelos VLA actuales, es decir, a sistemas entrenados específicamente para generar acciones robóticas. El repositorio en GitHub ya acumula 265 estrellas, y el proyecto se publicó junto con una página de demostración y un video.

Un agente en lugar de un action head

El camino dominante hacia una IA encarnada de propósito general hoy funciona así: se recopilan datos de acciones de robots y demostraciones en video, se añade un action head a la arquitectura del modelo de lenguaje y se entrena a gran escala un modelo vision-language-action. Esto es costoso: requiere flotas de robots, operadores que demuestren tareas y mucha capacidad de cómputo. Otra corriente, los World Action Models, suma además la predicción de cómo cambiará el mundo tras una acción, lo que exige todavía más datos.

Los autores de RoboHarness proponen otro enfoque. En su opinión, los agentes de codificación —que ya saben leer un entorno, planificar pasos, invocar herramientas y corregir errores— tienen el potencial necesario para la manipulación de propósito general. Lo único que falta es un harness robótico simple y funcional, es decir, una capa entre el modelo y el cuerpo del robot.

Un panel visual-geométrico para el modelo de lenguaje

RoboHarness le da al agente LLM lo que los autores llaman un visual-geometric control panel. Es una interfaz a través de la cual el modelo ve la escena junto con su geometría y llama directamente a las operaciones para las tareas encarnadas. El agente no necesita emitir comandos de bajo nivel a las articulaciones: trabaja a nivel de llamadas que ya entiende, de forma parecida a como un programador trabaja con una API.

El propio modelo sigue siendo de propósito general: no pasa por un ajuste fino sobre trayectorias robóticas ni incorpora un action head. Las habilidades robóticas quedan concentradas en la capa intermedia, mientras que el razonamiento y la planificación siguen a cargo del LLM. El resultado se puso a prueba en BEHAVIOR Challenge 2025, un benchmark de tareas domésticas para robots. La combinación con Qwen3.8-Flash-Next resultó superior a los modelos VLA actuales.

Qué se sabe del lanzamiento

• RoboHarness: capa abierta que le da a los agentes LLM un panel de control visual-geométrico.
• Qwen3.8-Flash-Next: el modelo con el que los autores afirman haber superado a los VLA.
• BEHAVIOR Challenge 2025: el conjunto de tareas usado para la comparación con los modelos VLA actuales.
• Autores: Bince Qu, Wei Chen, Bo Zhang, Universidad de Zhejiang.
• Licencia y acceso: código en GitHub (BinceQu/RoboHarness), página del proyecto bincequ.github.io/RoboHarness, artículo en arXiv 2610.14018.
• Interés de la comunidad: 265 estrellas en GitHub, artículo destacado en Hugging Face Daily Papers.

Qué cambia para los desarrolladores

Si el enfoque se confirma en otras tareas, la economía de la IA encarnada podría cambiar de forma notable. Un modelo VLA necesita sus propios datos robóticos y un entrenamiento aparte para cada plataforma. El enfoque de harness traslada el grueso del trabajo a la ingeniería de la interfaz, mientras que la capacidad del modelo se beneficia del rápido avance de los LLM comunes. Una nueva versión del modelo base aportaría mejoras de inmediato, sin necesidad de reentrenar nada para el robot.

Queda pendiente la pregunta de cómo este esquema se comporta frente a la latencia y la motricidad fina fuera de simulación. Ahí, los sistemas con una política de acción entrenada todavía tienen ventaja, porque un agente de codificación invoca operaciones de forma discreta. Pero el resultado reportado en el benchmark ya está empujando a los equipos de robótica a comparar sus propios modelos VLA con una línea base agéntica simple.

Se puede probar de inmediato. Los autores invitan a tomar el propio agente de codificación junto con cualquier modelo, conectarlos mediante RoboHarness y compartir los resultados. El código, el video de demostración y la descripción del panel están en el repositorio y en la página del proyecto. Para los investigadores, es una forma rápida de comprobar hasta dónde puede llegar un LLM de propósito general en tareas físicas sin una sola demostración robótica durante el entrenamiento.