Des chercheurs gravitant autour du Han Lab du MIT ont publié une méthode pour apprendre à un modèle de raisonnement généraliste à piloter des bras robotisés, à la manière dont les agents d'utilisation d'ordinateur manipulent un bureau. L'article « Training Reasoning Models in Simulation to Natively Use Real Robots » (arXiv 2611.18562, déposé le 13 novembre 2026) compte Jiaming Tang, Zhuoyang Zhang et Junxian Guo comme premiers auteurs à contribution égale, aux côtés de Fangzhou Zhao, Yilong Zhao, Zekai Li, Xingyang Li, Yuyang Zhao, Song Bian, Zhijian Liu et Song Han, issus du MIT, de l'UC Berkeley, de l'UC San Diego, de NVIDIA et d'Inco AI. Le même jour, le groupe a ouvert sur GitHub, sous licence Apache 2.0, le dépôt mit-han-lab/pear : PEAR, pour Post-training Engine for Agentic Robotics, est l'infrastructure d'entraînement qui sous-tend ces travaux.
La méthode se passe des échafaudages habituels de la robotique. À chaque tour, le modèle examine les images des caméras et l'état du bras, raisonne en chaîne de pensée puis écrit sous forme de texte la prochaine pose de l'effecteur ; la cinématique inverse et le contrôleur du bras se chargent ensuite du déplacement. Aucun outil de perception, aucun planificateur de saisie ou de trajectoire, aucune bibliothèque de compétences : c'est au modèle de repérer les objets, de trouver comment les atteindre et de remarquer qu'un geste a échoué. Il apprend uniquement selon que la tâche réussit ou non, grâce à ce que les auteurs nomment Robot-Use RL, mené intégralement en simulation et sans démonstration humaine.
Le point de départ est Qwen3.8-27B, un modèle à poids ouverts. Sur le banc d'essai LIBERO, les auteurs indiquent que l'entraînement a fait passer la réussite de 1,6 % à 74,4 %, non loin de GPT-6 Astra et GPT-6.1 Sol d'OpenAI à leur effort de raisonnement maximal, crédités de 80,6 % et 76,2 % dans la même boucle sans outils annexes. La comparaison avec π0.5, un modèle vision-langage-action ajusté sur des démonstrations, est plus nuancée. π0.5 obtient un meilleur score sur LIBERO lui-même, mais lorsque LIBERO-Pro conserve une scène connue tout en demandant une autre tâche, π0.5 tomberait à 0,75 % alors que le modèle des chercheurs se maintient à 57,4 %. π0.5 garde l'avantage quand les consignes sont simplement reformulées ou que l'apparence des objets change.
L'argument principal tient au transfert des compétences acquises en simulation. Entraîné seulement sur les tâches à bras unique Franka de LIBERO, le modèle atteint 39,9 % sur la tâche general_pickup de RoboDojo avec un robot ARX à deux bras, contre 10,7 % pour le modèle de base, puis 37,3 % sans exemple préalable sur RoboLab-120 après un entraînement simulé supplémentaire, contre 5,4 %. Sur un vrai robot YAM à deux bras, sans la moindre donnée issue de robots physiques, les auteurs rapportent une réussite dans 60 % de leurs essais, là où le modèle de base n'a jamais réussi. Ils affirment également n'observer aucune perte mesurable sur neuf tests de raisonnement, de programmation et de vision.
La publication est d'une ampleur rare pour un article de robotique. Outre le moteur d'entraînement, qui exécute un apprentissage par renforcement asynchrone sur veRL avec GRPO, déporte le cache KV grâce à LMCache et orchestre MuJoCo et Isaac Sim sur un même cluster Ray, le groupe a mis en ligne sur Hugging Face le modèle entraîné Qwen3.8-27B-PEAR ainsi que des variantes quantifiées et de brouillon, avec le code de déploiement d'un serveur vLLM sur une seule RTX 5090 ou GB300 et d'une station qui pilote des bras YAM ou SO-101.
Les auteurs ne cachent pas les limites. Le modèle de 27B connaît souvent mal le robot qu'il commande, si bien que les tâches les plus difficiles n'aboutissent que lorsque le prompt décrit en détail le corps du robot et la tâche. Il ne sait pas encore planifier de façon fiable des enchaînements de gestes et produit une pose à la fois, ce qui rend les résultats tributaires de la qualité du contrôleur et étale les mouvements complexes sur de nombreux tours. Tous les chiffres proviennent des évaluations des auteurs eux-mêmes, et le résultat sur robot réel repose sur un petit nombre d'essais conduits par leurs soins.
Si ces résultats se confirment, PEAR laisse entrevoir un contrôle robotique qui deviendrait une compétence de post-entraînement parmi d'autres pour les modèles de fondation généralistes, à la manière de l'utilisation d'ordinateur, plutôt que la chasse gardée de modèles d'action spécialisés nourris de démonstrations coûteuses.