RoboHarness: кодинг-агент на Qwen3.8-Flash-Next обошёл VLA-модели в BEHAVIOR

Исследователи из Zhejiang University (Bince Qu, Wei Chen и Bo Zhang) открыли код RoboHarness, лёгкой обвязки, которая превращает обычного кодинг-агента в оператора робота. В паре с Qwen3.8-Flash-Next она на задачах BEHAVIOR Challenge 2025 превзошла современные VLA-модели, то есть системы, которые специально обучали выдавать роботизированные действия. Репозиторий на GitHub уже собрал 265 звёзд, а проект выложен вместе с демо-страницей и видео.

Агент вместо action head

Главный путь к универсальному воплощённому ИИ сегодня выглядит так. Собирают данные о действиях роботов и видеодемонстрации, достраивают к архитектуре языковой модели action head и обучают vision-language-action модель в большом масштабе. Это дорого. Нужны парки роботов, операторы-демонстраторы и вычислительные мощности. Ещё одно направление, World Action Models, добавляет к этому предсказание того, как изменится мир после действия, и требует ещё больше данных.

Авторы RoboHarness предлагают другой подход. По их мнению, потенциал универсальной манипуляции есть у кодинг-агентов, которые уже умеют читать окружение, планировать шаги, вызывать инструменты и исправлять ошибки. Не хватает лишь простого и работающего робототехнического harness, то есть слоя между моделью и телом робота.

Визуально-геометрическая панель для языковой модели

RoboHarness даёт LLM-агенту то, что авторы называют visual-geometric control panel. Это интерфейс, через который модель видит сцену вместе с её геометрией и напрямую вызывает операции для воплощённых задач. Агенту не нужно выдавать низкоуровневые команды суставам. Он работает на уровне понятных ему вызовов, примерно как программист работает с API.

Сама модель при этом остаётся универсальной. Она не проходит дообучение на роботизированных траекториях и не обзаводится action head. Роботизированные навыки сосредоточены в обвязке, а рассуждение и планирование остаются за LLM. Результат проверили на BEHAVIOR Challenge 2025, бенчмарке бытовых задач для роботов. Связка с Qwen3.8-Flash-Next оказалась лучше современных VLA-моделей.

Что известно о релизе

• RoboHarness: открытая обвязка, дающая LLM-агентам визуально-геометрическую панель управления.
• Qwen3.8-Flash-Next: модель, на которой авторы получили заявленное превосходство над VLA.
• BEHAVIOR Challenge 2025: набор задач, на котором шло сравнение с современными VLA-моделями.
• Авторы: Bince Qu, Wei Chen, Bo Zhang, Zhejiang University.
• Лицензия и доступ: код на GitHub (BinceQu/RoboHarness), страница проекта bincequ.github.io/RoboHarness, статья arXiv 2610.14018.
• Интерес сообщества: 265 звёзд на GitHub, статья попала в Hugging Face Daily Papers.

Что это меняет для разработчиков

Если подход подтвердится на других задачах, экономика воплощённого ИИ заметно изменится. Для VLA-модели нужны собственные роботизированные данные и отдельное обучение под каждую платформу. Harness-подход переносит основную работу в инженерию интерфейса, а мощность модели обеспечивает быстрый прогресс обычных LLM. Новая версия базовой модели будет сразу давать выигрыш без переобучения под робота.

Остаётся вопрос, как такая схема справляется с задержками и тонкой моторикой за пределами симуляции. Здесь системы с обученной политикой действий пока сильны, а кодинг-агент вызывает операции дискретно. Но заявленный результат на бенчмарке подталкивает команды робототехники сравнивать собственные VLA-модели с простым агентным базовым вариантом.

Попробовать можно сразу. Авторы предлагают взять собственного кодинг-агента и любую модель, подключить их через RoboHarness и поделиться результатами. Код, демо-видео и описание панели лежат в репозитории и на странице проекта. Для исследователей это быстрый способ проверить, насколько далеко универсальная LLM продвинется в физических задачах без единой роботизированной демонстрации в обучении.