外观
论文HF Daily Papers · arXiv 2610.1401812 天前
RoboHarness：轻量级控制接口助LLM代理超越VLA模型
本文由 AI 根据公开内容整理，可能有误，请以原文为准：RoboHarness: A Simple Harness Outperforms VLA and World Action Models（HF Daily Papers · arXiv 2610.14018）
核心内容
针对大语言模型在物理世界中的执行难题，研究者提出RoboHarness方案，主张无需训练庞大的视觉-语言-动作（VLA）模型，仅需为LLM提供简易有效的机器人控制接口即可实现通用操作。实验表明，搭载该框架的Qwen3.8-Flash-Next模型在BEHAVIOR Challenge 2025基准测试中，性能超越了当前最先进的VLA及世界动作模型，且相关实现代码已完全开源，为具身智能提供了轻量化新范式。
技术上，RoboHarness构建了一个视觉几何控制面板作为中间层，将底层机器人运动原语抽象为LLM可理解的语义化API，使编码代理能直接解析场景并调用具身任务，规避了海量视频-动作对齐数据的训练瓶颈。该架构证明了通过工程化接口设计释放基座模型推理能力的潜力，相比端到端VLA路线显著降低了数据依赖与算力成本，为通用具身操控提供了基于代码代理的高效替代路径。
关键看点
- 架构创新：构建视觉几何控制面板作为中间件，将机器人控制原语抽象为LLM可调用的语义接口
- 性能验证：Qwen3.8-Flash-Next在BEHAVIOR Challenge 2025任务中超越SOTA VLA与世界动作模型
- 技术路线：采用编码代理范式替代端到端动作生成，降低对大规模视频-动作对齐数据的依赖
- 开源资产：RoboHarness完整实现代码已开源，支持社区复现与二次开发
工程与产业观察
该工作揭示了具身智能落地的另一条路径：与其死磕端到端VLA的数据飞轮，不如通过结构化接口工程释放基座模型的代码推理能力。对于算法团队而言，这意味着在算力与数据受限时，可通过优化人机交互协议与控制抽象层，以低成本实现高性能具身操控，为仿真到真机的快速验证提供了高性价比方案。
英文摘要 (Abstract)
The rise of large language models (LLMs) has opened a path toward generalist embodied AI, raising the question of how LLMs can act in the physical world. One straightforward approach is training the model to generate actions: collect robot-action data and video demonstration, refine LLM architecture with an action head, and train a vision-language-action (VLA) model at scale. However, we argue that coding agents have the potential to realize generalist embodied manipulation. All they need is a simple yet effective robot harness. We present RoboHarness: a robotic harness that gives LLM agents a visual-geometric control panel so that they can directly understand and invoke embodied tasks. With RoboHarness, Qwen3.8-Flash-Next outperforms state-of-the-art VLA models on BEHAVIOR Challenge 2025 tasks. The implementation is open source.
Hugging Face Daily Papers 热度：1 upvotes 作者：c, Wei Chen, Bo Zhang
来源
本页事实对应的公开页面，以原文为准。