RoboHarness: agente de codificação com Qwen3.8-Flash-Next supera modelos VLA no BEHAVIOR

Pesquisadores da Universidade de Zhejiang (Bince Qu, Wei Chen e Bo Zhang) abriram o código do RoboHarness, uma camada leve que transforma um agente de codificação comum em operador de robô. Combinado com o Qwen3.8-Flash-Next, ele superou modelos VLA atuais — sistemas treinados especificamente para gerar ações robóticas — nas tarefas do BEHAVIOR Challenge 2025. O repositório no GitHub já acumula 265 estrelas, e o projeto foi lançado com página de demonstração e vídeo.

Um agente em vez de um action head

O caminho dominante para uma IA incorporada de propósito geral hoje funciona assim: coletam-se dados de ações de robôs e demonstrações em vídeo, acopla-se um action head à arquitetura do modelo de linguagem e treina-se em larga escala um modelo vision-language-action. Isso é caro: exige frotas de robôs, operadores para demonstrações e muita capacidade computacional. Outra vertente, os World Action Models, soma a isso a previsão de como o mundo vai mudar depois de uma ação, o que exige ainda mais dados.

Os autores do RoboHarness propõem outra abordagem. Na visão deles, agentes de codificação — que já sabem ler um ambiente, planejar passos, chamar ferramentas e corrigir erros — têm potencial para a manipulação de propósito geral. O que falta é apenas um harness robótico simples e funcional, ou seja, uma camada entre o modelo e o corpo do robô.

Um painel visual-geométrico para o modelo de linguagem

O RoboHarness dá ao agente LLM o que os autores chamam de visual-geometric control panel. É uma interface pela qual o modelo vê a cena junto com sua geometria e chama diretamente as operações para tarefas incorporadas. O agente não precisa emitir comandos de baixo nível para as juntas do robô; ele trabalha no nível de chamadas que já compreende, de forma parecida a um programador usando uma API.

O próprio modelo permanece de propósito geral. Ele não passa por fine-tuning em trajetórias robóticas nem recebe um action head. As habilidades robóticas ficam concentradas na camada intermediária, enquanto o raciocínio e o planejamento continuam a cargo do LLM. O resultado foi testado no BEHAVIOR Challenge 2025, um benchmark de tarefas domésticas para robôs. A combinação com Qwen3.8-Flash-Next se mostrou superior aos modelos VLA atuais.

O que se sabe sobre o lançamento

• RoboHarness: camada aberta que dá a agentes LLM um painel de controle visual-geométrico.
• Qwen3.8-Flash-Next: o modelo com o qual os autores afirmam ter obtido a vantagem sobre os VLA.
• BEHAVIOR Challenge 2025: o conjunto de tarefas usado na comparação com modelos VLA atuais.
• Autores: Bince Qu, Wei Chen, Bo Zhang, Universidade de Zhejiang.
• Licença e acesso: código no GitHub (BinceQu/RoboHarness), página do projeto bincequ.github.io/RoboHarness, artigo no arXiv 2610.14018.
• Interesse da comunidade: 265 estrelas no GitHub, artigo destacado no Hugging Face Daily Papers.

O que isso muda para os desenvolvedores

Se a abordagem se confirmar em outras tarefas, a economia da IA incorporada pode mudar de forma significativa. Um modelo VLA precisa de dados robóticos próprios e de treinamento separado para cada plataforma. A abordagem de harness transfere o grosso do trabalho para a engenharia de interface, enquanto a capacidade do modelo se beneficia do avanço rápido dos LLMs comuns. Uma nova versão do modelo-base traria ganhos de imediato, sem necessidade de retreinamento para o robô.

Ainda fica a pergunta de como esse esquema lida com latência e motricidade fina fora da simulação. Nesse ponto, sistemas com uma política de ação treinada ainda têm vantagem, já que um agente de codificação chama operações de forma discreta. Mas o resultado divulgado no benchmark já está levando equipes de robótica a comparar seus próprios modelos VLA com uma linha de base agêntica simples.

É possível testar na hora. Os autores convidam quem quiser a usar seu próprio agente de codificação com qualquer modelo, conectá-los via RoboHarness e compartilhar os resultados. O código, o vídeo de demonstração e a descrição do painel estão no repositório e na página do projeto. Para pesquisadores, é uma forma rápida de verificar até onde um LLM de propósito geral consegue ir em tarefas físicas sem uma única demonstração robótica durante o treinamento.