开放模型正在进入机器人智能体主舞台

导语

让机器人根据自然语言完成操作，正在从专用控制系统转向由大模型驱动的“机器人使用智能体”（Robot-use Agents，RUAs）。这类系统通常需要理解任务、观察环境并选择行动，但现有研究在很大程度上依赖闭源前沿模型。模型无法自由获取、修改和继续训练，成为推动 RUA 研究进一步发展的现实障碍。

一篇发表于 Hugging Face Daily Papers 的工作提出 uni-robot-agent，目标是为开放权重模型建立统一的机器人使用框架。它的价值不只是提供一个新的测试入口，更在于把模型接入、评测和后续训练放进同一套可扩展的工具链中。

核心要点

• 面向开放权重模型。 uni-robot-agent 旨在让研究者不依赖专有模型，也能开展具有竞争力的机器人使用实验，并为进一步训练保留接口。
• 零样本结果具有竞争力。 在不使用特权输入的条件下，开箱即用的 Qwen3.8-Flash-Next 获得 31.39 的 RoboDojo Score，高于论文引用的 GPT-6 Astra-RoboProbe 公开结果 28.97，也超过了不少 VLA 和 WAM 基线。
• 兼顾仿真与现实任务。 除基准测试外，系统在 19 项真实世界任务上表现出竞争力，说明结果并非只集中在单一评测环境中。
• 从比较中寻找共性。 研究者横向分析了不同模型代际、模型家族和规模，发现有效的机器人使用与四类通用能力存在联系。不过，素材没有进一步列出这四类能力的具体名称，因此不宜将其擅自解释为某些预设能力。

意义与影响

这项工作的关键贡献，是把“模型能否操作机器人”从少数闭源模型的展示问题，转化为更容易复现、比较和训练的开放研究问题。统一 harness 可以减少不同实验之间的工程差异，让研究者更聚焦于模型能力、训练策略和机器人交互本身。开放权重路线也意味着，社区能够检查系统行为，尝试针对机器人任务进行微调，并围绕失败案例持续迭代。

不过，单一分数并不能等同于通用机器人能力。RoboDojo 的比较结果来自论文所报告的设置，真实世界任务的数量也不能代表所有环境和操作类型。尤其是“超过闭源模型”的结论，应理解为特定基准和输入条件下的性能比较，而不是对现实部署可靠性、泛化范围或安全性的全面判断。

更值得关注的是论文提出的训练方向：机器人智能体可能不能只优化语言理解或动作预测中的某一环，而需要协同发展与有效机器人使用相关的多种通用能力。随着统一框架、开放模型和真实任务评测进一步结合，RUA 研究有望从一次性演示走向更系统的训练与复现。

来源：Hugging Face Daily Papers