오픈 모델, 로봇 사용 에이전트 연구의 문턱을 낮추다

들어가며

자연어 지시를 이해하고 실제 조작을 수행하는 로봇 연구가 전용 제어 시스템에서 범용 모델 중심으로 이동하고 있습니다. 로봇 사용 에이전트(Robot-use Agents, RUAs)는 사용자의 목표를 해석하고 주변 환경을 파악한 뒤 적절한 행동을 선택하는 흐름을 다룹니다. 그러나 최근 성과 상당수는 독점 프런티어 모델에 의존해 왔습니다. 외부 연구자가 모델을 직접 분석하거나 로봇 작업에 맞춰 추가 학습하기 어렵다는 점은 연구 확장의 큰 제약입니다.

이 문제를 겨냥해 연구팀은 uni-robot-agent를 제안했습니다. 이는 오픈 웨이트 모델을 위한 로봇 사용 에이전트 통합 하네스입니다. 새로운 성능 수치만 제시하는 것이 아니라, 모델 연결과 평가, 향후 학습을 하나의 확장 가능한 연구 흐름 안에서 다루는 것이 핵심 목표입니다.

핵심 내용

• 오픈 웨이트 중심의 연구 기반. 독점 모델에 대한 접근 권한이 없어도 경쟁력 있는 로봇 사용 실험을 수행할 수 있도록 설계됐으며, 후속 학습도 지원합니다.
• RoboDojo에서의 성과. 특권 입력을 사용하지 않은 조건에서 별도 추가 학습 없이 실행한 Qwen3.8-Flash-Next가 RoboDojo Score 31.39를 기록했습니다. 논문이 인용한 GPT-6 Astra-RoboProbe의 공개 결과 28.97보다 높고, 여러 VLA 및 WAM 기준선보다도 앞선 수치입니다.
• 실제 환경 평가. 19개 실제 세계 작업에서도 경쟁력 있는 성능을 보였다는 점에서, 결과가 하나의 벤치마크에만 국한되지 않았음을 보여줍니다.
• 공통 능력에 대한 분석. 연구진은 모델 세대, 계열, 규모별 비교를 통해 효과적인 로봇 사용과 네 가지 일반 능력의 관련성을 분석했습니다. 다만 제공된 소재에는 네 가지 능력의 구체적인 이름이 포함돼 있지 않습니다.

의미와 한계

uni-robot-agent의 가장 큰 의미는 로봇 사용 에이전트를 소수의 폐쇄형 시스템이 보여주는 데모에서, 더 재현 가능하고 개방적인 연구 문제로 전환하려는 데 있습니다. 공통 하네스가 있으면 모델 통합 방식과 평가 환경의 차이를 줄이고, 학습 전략과 실패 원인, 실제 세계와의 상호작용에 더 집중할 수 있습니다. 오픈 웨이트 모델은 특정 로봇 작업을 위한 미세 조정과 커뮤니티 차원의 행동 검증에도 유리합니다.

물론 결과를 과도하게 일반화해서는 안 됩니다. RoboDojo 점수는 범용 로봇 능력 전체를 측정하지 않으며, 19개 실제 작업만으로 모든 환경과 물체, 조작 방식에서의 안정성을 보장할 수도 없습니다. GPT-6 Astra-RoboProbe와의 비교 역시 논문이 제시한 입력과 평가 조건에서의 비교입니다. 이를 오픈 모델이 모든 상황에서 더 우수하거나 즉시 안전하게 배치할 수 있다는 의미로 해석해서는 안 됩니다.

앞으로 중요한 질문은 로봇 사용에 기여하는 여러 일반 능력을 어떻게 함께 학습시킬 것인가입니다. 통합되고 학습 가능한 연구 기반이 확산되면, 단일 능력만 개선하는 대신 능력 간 상호작용과 실제 작업에서의 효과를 체계적으로 검증할 수 있습니다. 이 흐름은 로봇 에이전트 연구를 일회성 시연에서 반복 가능하고 지속적인 개발 단계로 옮기는 계기가 될 수 있습니다.

출처: Hugging Face Daily Papers