پژوهشگرانی وابسته به آزمایشگاه Han در MIT روشی منتشر کردهاند تا یک مدل استدلالی عمومی یاد بگیرد بازوهای رباتیک را همانطور هدایت کند که ایجنتهای کار با رایانه یک دسکتاپ را به کار میگیرند. مقاله «Training Reasoning Models in Simulation to Natively Use Real Robots» با شناسه arXiv 2611.18562 که ۱۳ نوامبر ۲۰۲۶ ثبت شد، جیامینگ تانگ، ژوئویانگ ژانگ و جونشیان گوئو را نویسندگان اول با سهم برابر معرفی میکند و فانگژو ژائو، ییلونگ ژائو، زکای لی، شینگیانگ لی، یویانگ ژائو، سانگ بیان، ژیجیان لیو و سانگ هان از MIT، دانشگاه برکلی، دانشگاه سندیگو، NVIDIA و Inco AI نیز در آن حضور دارند. همان روز این گروه مخزن mit-han-lab/pear را با مجوز Apache 2.0 در GitHub باز کرد. PEAR که کوتاهشده «موتور پسآموزش برای رباتیک ایجنتی» است، زیرساخت آموزشی پشت این پژوهش به شمار میرود.
این روش داربستهای رایج رباتیک را کنار میگذارد. مدل در هر دور تصویر دوربینها و وضعیت بازو را میبیند، با زنجیره استدلال فکر میکند و ژست بعدی مجری نهایی بازو را به شکل متن مینویسد؛ سپس سینماتیک معکوس و کنترلگر خود بازو آن را جابهجا میکنند. هیچ ابزار ادراکی، برنامهریز گرفتن یا حرکت و کتابخانه مهارتی در کار نیست، پس خود مدل باید اشیا را پیدا کند، راه رسیدن به آنها را بیابد و بفهمد کدام حرکت شکست خورده است. تنها منبع یادگیری این است که آیا کار با موفقیت انجام شد یا نه؛ روشی که نویسندگان آن را Robot-Use RL مینامند و تماماً در شبیهسازی و بدون نمایش انسانی اجرا میشود.
نقطه شروع، مدل وزنباز Qwen3.8-27B است. به گزارش نویسندگان، آموزش میزان موفقیت در محک LIBERO را از ۱٫۶ درصد به ۷۴٫۴ درصد رساند که به GPT-6 Astra و GPT-6.1 Sol از OpenAI در بیشترین سطح استدلال نزدیک است؛ این دو مدل در همان حلقه بدون ابزار کمکی به ترتیب ۸۰٫۶ و ۷۶٫۲ درصد گرفتند. مقایسه با π0.5، یک مدل بینایی، زبان و کنش که با نمایشهای انسانی تنظیم شده، تصویر دوگانهای دارد. π0.5 در خود LIBERO امتیاز بالاتری دارد، اما به گفته پژوهشگران وقتی LIBERO-Pro صحنه آشنا را نگه میدارد و کار دیگری میخواهد، π0.5 به ۰٫۷۵ درصد سقوط میکند و مدل آنها روی ۵۷٫۴ درصد میماند. با این حال وقتی فقط عبارت دستور تغییر میکند یا ظاهر اشیا عوض میشود، π0.5 همچنان جلوتر است.
استدلال اصلی مقاله این است که مهارتهای آموختهشده در شبیهسازی به دنیای دیگر منتقل میشوند. مدلی که فقط روی کارهای تکبازوی Franka در LIBERO آموزش دیده بود، در کار general_pickup محک RoboDojo با ربات دوبازوی ARX به ۳۹٫۹ درصد رسید، در حالی که مدل پایه ۱۰٫۷ درصد داشت، و پس از آموزش شبیهسازیشده بیشتر، بدون نمونه قبلی در محک RoboLab-120 به ۳۷٫۳ درصد در برابر ۵٫۴ درصد دست یافت. نویسندگان میگویند روی یک ربات واقعی دوبازوی YAM و بدون هیچ دادهای از ربات واقعی، در ۶۰ درصد آزمایشهایشان موفق شدند، در حالی که مدل پایه هرگز موفق نشده بود. آنها همچنین در نُه محک استدلال، برنامهنویسی و بینایی افت قابل اندازهگیریای گزارش نکردهاند.
این انتشار برای یک مقاله رباتیک به شکل کمسابقهای کامل است. افزون بر موتور آموزش که یادگیری تقویتی ناهمگام را روی veRL با GRPO اجرا میکند، حافظه KV را با LMCache به حافظه دیگری منتقل میکند و MuJoCo و Isaac Sim را روی یک خوشه Ray زمانبندی میکند، این گروه مدل آموزشدیده Qwen3.8-27B-PEAR و نسخههای کوانتیزه و پیشنویس آن را در Hugging Face گذاشته و کد استقرار یک سرور vLLM روی یک کارت RTX 5090 یا GB300 و یک ایستگاه رباتیک برای هدایت بازوهای YAM یا SO-101 را هم منتشر کرده است.
نویسندگان درباره محدودیتها هم صریح هستند. مدل ۲۷ میلیاردی اغلب شناخت کافی از رباتی که کنترل میکند ندارد، به همین دلیل کارهای دشوارتر فقط زمانی جواب میدهند که پرامپت بدنه ربات و کار را با جزئیات شرح دهد. مدل هنوز نمیتواند دنبالهای از حرکتها را با اطمینان برنامهریزی کند و هر بار تنها یک ژست تولید میکند؛ این موضوع نتیجه را به کیفیت کنترلگر وابسته میکند و حرکتهای پیچیده را در دورهای فراوان پخش میکند. همه ارقام از ارزیابیهای خود نویسندگان آمده و نتیجه ربات واقعی بر شمار محدودی آزمایش خود آنها تکیه دارد.
اگر این نتایج تأیید شوند، PEAR نشان میدهد که کنترل ربات میتواند به یکی دیگر از مهارتهای پسآموزش مدلهای پایه عمومی تبدیل شود، شبیه آنچه برای کار با رایانه رخ داد، و دیگر در انحصار مدلهای کنش تخصصی که به نمایشهای پرهزینه وابستهاند نماند.