论文HF Daily Papers · arXiv 2611.015602 天前

uni-robot-agent开源框架发布，Qwen3.8零样本操控超GPT-6

开源统一框架uni-robot-agent支持开放权重模型微调，Qwen3.8-Flash-Next在RoboDojo获31.39分超越GPT-6 Astra-RoboProbe的28.97分，并在19项真实任务中验证了通用能力对机器人操控的关键作用。

AI 整理

仿真与训练
具身模型
评测与安全

本文由 AI 根据公开内容整理，可能有误，请以原文为准：Democratizing Robot-Use Agents: A Unified Harness with Open Models（HF Daily Papers · arXiv 2611.01560）

核心内容

针对机器人使用智能体（RUA）研究受限于闭源模型的问题，研究团队推出开源统一框架uni-robot-agent，旨在降低开放权重模型的训练门槛。实测显示，无需特权输入下，Qwen3.8-Flash-Next在RoboDojo基准得分31.39，显著超越GPT-6 Astra-RoboProbe公布的28.97分及多个VLA/WAM基线，并在19个真实世界任务中展现出竞争力的零样本操作性能。

该框架通过标准化接口解耦模型与硬件，支持跨代际、家族及尺寸模型的横向评测与持续训练。研究证实有效机器人操控依赖于四项通用基础能力的协同发展，而非单一模型规模堆叠。这一发现为未来RUA训练指明了多能力联合优化路径，使开源社区能在非特权条件下复现并超越前沿闭源系统的实操表现。

关键看点

开源框架：uni-robot-agent提供统一harness，支持开放权重RUA模型的二次训练与零样本部署
性能突破：Qwen3.8-Flash-Next在RoboDojo得分31.39，超越GPT-6 Astra-RoboProbe的28.97分
实机验证：在19项真实世界任务中验证了开源模型无特权输入下的竞争性操作能力
训练范式：分析表明机器人操控效能取决于四项通用能力联合发展，指导未来RUA训练策略

工程与产业观察

该工作证明开源小参数模型经统一框架微调可在具身操控上超越顶级闭源大模型，打破了RUA研究对私有API的依赖。其提出的四能力联合训练范式为具身数据构建与算法迭代提供了可复现的工程基准，加速了开放生态下通用操作智能体的技术收敛。

英文摘要 (Abstract)

Robot-use Agents (RUAs) have shown promising zero-shot manipulation capabilities, but reliance on frontier, proprietary models limits research into further training. To democratize RUA research, we introduce uni-robot-agent, a unified harness for competitive open-weight robot use that supports further training. Without privileged inputs, an out-of-the-box Qwen3.8-Flash-Next achieves a RoboDojo Score of 31.39, surpassing the published GPT-6 Astra-RoboProbe result of 28.97 and many VLA/WAM baselines, and performs competitively on 19 real-world tasks. Our analysis across model generations, families, and sizes links effective robot use to four general capabilities, suggesting that future RUA training should develop them jointly.

Hugging Face Daily Papers 热度：36 upvotes 作者：原嘉锐, Yuxin Zuo, Xiaoyu Huang, Wenbo Zhang, Kwanyoung Park, Junlin Yang, Tianxiang Zhang, Ruoqu Chen, Yutao Ouyang, Bingxiang He, Xingtai Lv, Hongjin Wu, Jiajun Liu, Jiahao Zhao, Tianwei Luo, Haozhan L…