Investigadores ligados ao Han Lab do MIT publicaram uma receita para ensinar um modelo de raciocínio generalista a comandar braços robóticos tal como os agentes de uso de computador comandam um ambiente de trabalho. O artigo "Training Reasoning Models in Simulation to Natively Use Real Robots" (arXiv 2611.18562, submetido a 13 de novembro de 2026) tem Jiaming Tang, Zhuoyang Zhang e Junxian Guo como primeiros autores em pé de igualdade, ao lado de Fangzhou Zhao, Yilong Zhao, Zekai Li, Xingyang Li, Yuyang Zhao, Song Bian, Zhijian Liu e Song Han, do MIT, da UC Berkeley, da UC San Diego, da NVIDIA e da Inco AI. No mesmo dia, o grupo abriu no GitHub, sob licença Apache 2.0, o repositório mit-han-lab/pear: o PEAR, abreviatura de Post-training Engine for Agentic Robotics, é a infraestrutura de treino por trás do trabalho.

A abordagem dispensa os andaimes habituais da robótica. Em cada ronda, o modelo observa as imagens das câmaras e o estado do braço, raciocina numa cadeia de pensamento e escreve em texto a pose seguinte do efetuador final; a cinemática inversa e o controlador do próprio braço tratam depois do movimento. Não há ferramentas de perceção, planeadores de preensão ou de trajetória, nem bibliotecas de competências, pelo que é o modelo que tem de encontrar os objetos, decidir como lhes chegar e perceber quando um movimento falhou. A única aprendizagem vem de saber se a tarefa resultou, através daquilo a que os autores chamam Robot-Use RL, feito inteiramente em simulação e sem demonstrações humanas.

O ponto de partida é o Qwen3.8-27B, de pesos abertos. No teste LIBERO, os autores indicam que o treino fez subir o sucesso de 1,6% para 74,4%, perto do GPT-6 Astra e do GPT-6.1 Sol, da OpenAI, no esforço máximo de raciocínio, que obtiveram 80,6% e 76,2% no mesmo ciclo sem estruturas auxiliares. A comparação com o π0.5, um modelo de visão, linguagem e ação afinado com demonstrações, é mais equilibrada. O π0.5 pontua mais no LIBERO propriamente dito, mas quando o LIBERO-Pro mantém uma cena conhecida e pede outra tarefa, os autores dizem que o π0.5 cai para 0,75%, enquanto o seu modelo se aguenta nos 57,4%. O π0.5 continua à frente quando as instruções são apenas reformuladas ou os objetos mudam de aspeto.

O argumento central é que o que se aprende em simulação se transfere. Treinado apenas nas tarefas de braço único Franka do LIBERO, o modelo chegou a 39,9% na tarefa general_pickup do RoboDojo, com um robô ARX de dois braços, contra 10,7% do modelo base, e a 37,3% sem exemplos prévios no RoboLab-120 depois de mais treino simulado, contra 5,4%. Num robô YAM real de dois braços, sem quaisquer dados recolhidos em robôs reais, os autores relatam sucesso em 60% das suas tentativas, quando o modelo base nunca acertou. Dizem ainda não ter havido perda mensurável em nove testes de raciocínio, programação e visão.

A publicação é invulgarmente completa para um trabalho de robótica. Além do motor de treino, que corre aprendizagem por reforço assíncrona sobre o veRL com GRPO, descarrega a cache KV com o LMCache e agenda o MuJoCo e o Isaac Sim no mesmo cluster Ray, o grupo colocou no Hugging Face o modelo treinado Qwen3.8-27B-PEAR e variantes quantizadas e de rascunho, juntamente com código para um servidor vLLM numa única RTX 5090 ou GB300 e uma estação que comanda braços YAM ou SO-101.

Os autores também são francos quanto aos limites. O modelo de 27B muitas vezes desconhece o robô que controla, pelo que as tarefas mais difíceis só funcionam quando o prompt descreve em pormenor o corpo do robô e a tarefa. Ainda não consegue planear blocos de movimento com fiabilidade e produz uma pose de cada vez, o que torna os resultados dependentes da qualidade do controlador e espalha os movimentos complexos por muitas rondas. Todos os números vêm de avaliações dos próprios autores, e o resultado no robô real assenta num conjunto reduzido de ensaios seus.

Se os resultados se confirmarem, o PEAR sugere que o controlo de robôs pode tornar-se mais uma competência adquirida no pós-treino de modelos de base generalistas, à semelhança do uso de computador, em vez de ficar reservado a modelos de ação especializados que dependem de demonstrações caras.

Referências