RoboHarness : un agent de codage sur Qwen3.8-Flash-Next surpasse les modèles VLA sur BEHAVIOR

Des chercheurs de l'université du Zhejiang (Bince Qu, Wei Chen et Bo Zhang) ont ouvert le code de RoboHarness, une couche légère qui transforme un agent de codage ordinaire en opérateur de robot. Associée à Qwen3.8-Flash-Next, elle a surpassé, sur les tâches du BEHAVIOR Challenge 2025, les modèles VLA les plus récents, c'est-à-dire des systèmes spécifiquement entraînés à produire des actions robotiques. Le dépôt GitHub a déjà rassemblé 265 étoiles, et le projet est publié avec une page de démonstration et une vidéo.

Un agent à la place de l'action head

La principale voie vers une IA incarnée universelle ressemble aujourd'hui à ceci. On collecte des données d'actions robotiques et des démonstrations vidéo, on ajoute à l'architecture du modèle de langage une action head, puis on entraîne un modèle vision-langage-action (VLA) à grande échelle. C'est coûteux. Il faut des parcs de robots, des opérateurs pour les démonstrations et des capacités de calcul considérables. Une autre direction, les World Action Models, ajoute à cela la prédiction de l'évolution du monde après une action, et exige encore plus de données.

Les auteurs de RoboHarness proposent une autre approche. Selon eux, le potentiel de manipulation universelle se trouve déjà dans les agents de codage, qui savent déjà lire un environnement, planifier des étapes, appeler des outils et corriger leurs erreurs. Ce qui manque, c'est simplement un harness robotique simple et fonctionnel, c'est-à-dire une couche entre le modèle et le corps du robot.

Un panneau de contrôle visuo-géométrique pour le modèle de langage

RoboHarness fournit à l'agent LLM ce que les auteurs appellent un visual-geometric control panel. Il s'agit d'une interface à travers laquelle le modèle perçoit la scène ainsi que sa géométrie, et appelle directement les opérations nécessaires aux tâches incarnées. L'agent n'a pas besoin de produire des commandes de bas niveau pour les articulations. Il opère au niveau d'appels qu'il comprend, à peu près comme un développeur travaille avec une API.

Le modèle lui-même reste universel. Il ne subit aucun entraînement additionnel sur des trajectoires robotiques et ne reçoit pas d'action head. Les compétences robotiques sont concentrées dans la couche logicielle, tandis que le raisonnement et la planification restent du ressort du LLM. Le résultat a été vérifié sur BEHAVIOR Challenge 2025, un benchmark de tâches domestiques pour robots. La combinaison avec Qwen3.8-Flash-Next s'est révélée supérieure aux modèles VLA les plus récents.

Ce que l'on sait de cette publication

• RoboHarness : une couche ouverte donnant aux agents LLM un panneau de contrôle visuo-géométrique.
• Qwen3.8-Flash-Next : le modèle sur lequel les auteurs ont obtenu la supériorité revendiquée sur les VLA.
• BEHAVIOR Challenge 2025 : l'ensemble de tâches sur lequel s'est effectuée la comparaison avec les modèles VLA récents.
• Auteurs : Bince Qu, Wei Chen, Bo Zhang, université du Zhejiang.
• Licence et accès : code sur GitHub (BinceQu/RoboHarness), page du projet bincequ.github.io/RoboHarness, article arXiv 2610.14018.
• Intérêt de la communauté : 265 étoiles sur GitHub, l'article a été repris dans les Hugging Face Daily Papers.

Ce que cela change pour les développeurs

Si cette approche se confirme sur d'autres tâches, l'économie de l'IA incarnée pourrait changer sensiblement. Un modèle VLA nécessite ses propres données robotiques et un entraînement distinct pour chaque plateforme. L'approche par harness déplace l'essentiel du travail vers l'ingénierie de l'interface, tandis que la puissance du modèle bénéficie des progrès rapides des LLM classiques. Une nouvelle version du modèle de base apportera immédiatement un gain, sans ré-entraînement spécifique au robot.

Reste la question de savoir comment ce schéma gère les latences et la motricité fine en dehors de la simulation. C'est là que les systèmes dotés d'une politique d'action entraînée restent encore solides, alors qu'un agent de codage appelle les opérations de façon discrète. Mais le résultat revendiqué sur ce benchmark pousse les équipes de robotique à comparer leurs propres modèles VLA à une simple base agentique.

On peut l'essayer dès maintenant. Les auteurs proposent de prendre son propre agent de codage et n'importe quel modèle, de les connecter via RoboHarness et de partager les résultats. Le code, les vidéos de démonstration et la description du panneau de contrôle se trouvent dans le dépôt et sur la page du projet. Pour les chercheurs, c'est un moyen rapide de vérifier jusqu'où un LLM universel peut aller dans des tâches physiques, sans la moindre démonstration robotique lors de l'entraînement.