LeRobot v0.6.0 da Hugging Face: robôs aprendem a prever o futuro e avaliar a si mesmos

Hugging Face lançou LeRobot v0.6.0 em 7 de julho de 2026 — uma atualização importante do framework de código aberto para treinamento de robôs que fecha o loop: robôs agora podem prever os resultados de ações, avaliar automaticamente seu sucesso e receber correções em tempo real de um operador.

O que as novas políticas de world-model conseguem fazer

Políticas de world-model são a inovação-chave desta versão. Três novas arquiteturas permitem que os robôs "imaginem" o futuro diretamente durante o treinamento.

VLA-JEPA treina um modelo compacto vision-language-action para prever quadros futuros em espaço latente. Durante a inferência, o world-model é descartado, então a velocidade não é afetada. Três checkpoints prontos para uso estão disponíveis, incluindo aqueles pré-treinados no dataset DROID.

LingBot-VA funciona como um modelo autoregressivo de vídeo-ação: prevê quadros e ações sequencialmente, usando observações reais para auto-verificação. A inferência se encaixa em uma única GPU com 24–32 GB de VRAM.

FastWAM combina um especialista em geração de vídeo com ~5B parâmetros com um especialista em ações compacto. Durante a inferência, ele denoiseia diretamente chunks de ações — sem imaginação, mais rápido que LingBot-VA.

A versão também inclui um "zoo" completo de modelos VLA: GR00T N1.7 do NVIDIA com Cosmos-Reason2-2B, MolmoAct2 do Allen Institute (SO-100/101, ~12 GB em bf16), EO-1 com Qwen2.5-VL-3B, Multitask DiT (~450M parâmetros) e o compacto EVO1 (0,77B) com suporte a chunking em tempo real.

Como os robôs agora avaliam o sucesso da tarefa

Novos modelos de recompensa permitem que os robôs entendam se completaram uma tarefa, sem anotação manual.

Robometer — um avaliador universal de progresso de tarefas baseado em Qwen3-VL-4B, treinado em mais de um milhão de trajetórias robóticas. Ele recebe vídeo e instruções em linguagem natural e retorna uma pontuação de sucesso sem ajuste fino para tarefas específicas.

TOPReward não requer pesos especiais: ele envolve modelos VLM prontos para uso e lê probabilidades logarítmicas de tokens de sucesso com base na trajetória do vídeo.

Fatos principais sobre a versão:

• Data de lançamento — 7 de julho de 2026
• Três políticas de world-model: VLA-JEPA, LingBot-VA, FastWAM
• Robometer treinado em 1+ milhão de trajetórias robóticas (Qwen3-VL-4B)
• Seis novos benchmarks de simulação; nove famílias no total
• Carregamento de subconjunto de dataset — de 275 segundos para 0,06 segundos
• Instalação base 40% mais leve graças aos extras modulares

O que mudou para os desenvolvedores

Seis novas simulações são unificadas sob o CLI `lerobot-eval`: LIBERO-plus com ~10.000 variações em sete eixos de perturbação, RoboTwin 2.0 com 50 tarefas de dois braços e 100.000+ trajetórias, RoboCasa365 com 365 tarefas de cozinha em 2.500 cozinhas geradas proceduralmente, RoboCerebra com episódios de horizonte longo de 3–6 subtarefas, RoboMME para testar memória e contagem de objetos, e VLABench para conhecimento e raciocínio.

O CLI `lerobot-rollout` inclui estratégia DAgger: o operador assume o controle, correções são registradas e marcadas para o próximo ciclo de ajuste fino. A transferência de controle é suave.

Suporte a FSDP via Accelerate permite treinar modelos que não cabem em uma única GPU: parâmetros, gradientes e estado do otimizador são distribuídos entre aceleradores, e o checkpoint é montado em um único `model.safetensors`.

"Fechar o loop de treinamento de robôs significa quando a política

consegue imaginar resultados, o sistema consegue avaliar sucesso e um humano consegue corrigir erros de forma eficaz," — das notas oficiais da versão LeRobot v0.6.0.

O que isso significa

LeRobot v0.6.0 oferece uma infraestrutura aberta para o ciclo completo de ML robótico: geração de dados, treinamento com world-models, avaliação automática através de modelos de recompensa e correções com humanos no loop — tudo a partir de um único conjunto de CLIs. Isso reduz a barreira de entrada e acelera as iterações sem stacks proprietários fechados.

Perguntas frequentes

Quanto de memória de vídeo é necessário para executar

LingBot-VA?

LingBot-VA requer uma GPU com 24–32 GB de VRAM. Se a VRAM for menor — MolmoAct2 é adequado, que cabe em aproximadamente 12 GB ao trabalhar em formato bf16 no SO-100/SO-101.

O que é Robometer e como ele avalia tarefas?

Robometer é um modelo de recompensa baseado em Qwen3-VL-4B, treinado em mais de um milhão de trajetórias robóticas. Ele recebe um episódio de vídeo e instruções de texto como entrada e retorna uma pontuação de progresso sem ajuste fino para tarefas específicas.