Modelle
Ein Preprint mit MIT-Autoren sagt, Qwen3.8-27B-PEAR, nur in Simulation trainiert, habe 18 von 30 Versuchen an einem echten, ungesehenen Zweiarmroboter geschafft, das Basismodell keinen
Ein Preprint sagt, ein nur in Simulation trainiertes 27B-Modell habe 18 von 30 Versuchen an einem echten Roboter geschafft, das Basismodell keinen.
Ein Preprint vom 13. November 2026 mit Autoren von MIT, UC Berkeley, UCSD, Nvidia und Inco AI berichtet, ein Reasoning-Modell mit offenen Gewichten und 27 Milliarden Parametern habe nach reinem Simulationstraining gelernt, echte Roboter zu steuern. Das Trainingssystem heißt PEAR (Post-training Engine for Agentic Robotics), das entstandene Modell Qwen3.8-27B-PEAR. An einem Zweiarmroboter YAM, den kein Modell im Training sah, gelangen dem finalen Modell 18 von 30 Versuchen. Das sind Versuche an einer kleinen Aufgabenmenge, keine 30 verschiedenen Tests.
Das Wesentliche
- Was PEAR ist: ein Post-Training-System, das bestärkendes Lernen auf ein Reasoning-Modell in der Simulation anwendet, ohne menschliche Demonstrationen. Das Modell ist Alibabas Qwen3.8-27B mit offenen Gewichten.
- Training: Simulatoren LIBERO und RoboDojo, 148 Schritte auf drei LIBERO-Suiten, dann 77 weitere mit LIBERO-Long und 115 auf RoboDojo. Keine Daten echter Roboter.
- Ergebnis am echten Roboter: 18 von 30 Versuchen für das finale Modell, 7 für einen reinen LIBERO-Checkpoint und 0 für das Basismodell, an einem ungesehenen YAM mit zwei Armen.
- Was die 30 Versuche waren: Greifen (12 von 20 erfolgreich) und Blockausrichtung (6 von 10).
Versuche, keine 30 verschiedenen Tests
Die Zahl zählt Versuche in zwei Aufgabenfamilien, Greifen und Blockausrichtung, an einem Roboter. Sie zeigt den Transfer aus der Simulation auf einen neuen Roboter innerhalb dieser Familien. Sie zeigt nicht, dass das Modell 30 verschiedene Aufgaben beherrscht, und die zwei per Prompt gezeigten Reasoning-Demos werden nicht bewertet.
Grenzen laut den Autoren
Das Paper berichtet keine Ablationen, nutzt ein Basismodell, zwei Simulatoren und eine kleine Aufgabenmenge. Ergebnisse hängen vom Prompt ab und davon, dass der Controller die Zielposen erreicht. Das Reasoning ist langsam, etwa 4,3 Sekunden pro Runde mit hohem Aufwand. Der Prompt muss den Roboter und seine Koordinatenrichtungen beschreiben.
Was nicht belegt ist
- Ob das Ergebnis auf anderen Robotern oder Aufgaben hält: nicht getestet über einen YAM und zwei Aufgabenfamilien hinaus.
- Welcher Teil des Rezepts am meisten zählt: keine Ablationen berichtet.
- Begutachtung durch Fachkollegen: es ist ein Preprint.
- Geschwindigkeit und Zuverlässigkeit im Alltag: Reasoning braucht Sekunden pro Schritt.
- Unabhängige Replikation: keine berichtet.
Übersichtstabelle
| Punkt | Was Stand 7. November 2026 behauptet wird | Quelle |
|---|---|---|
| Paper | Preprint vom 13. November 2026, arXiv 2611.18562 | arXiv |
| Modell | Qwen3.8-27B mit PEAR per bestärkendem Lernen nachtrainiert | arXiv |
| Trainingsdaten | Nur Simulation, keine Demonstrationen, keine Daten echter Roboter | ArXivSignals |
| Echter Roboter | Zweiarm-YAM, im Training unbekannt; 30 Versuche | ArXivSignals |
| Ergebnisse | Final 18/30, nur LIBERO 7/30, Basis 0/30 | Sam on AI |
FAQ
Ist PEAR ein Modell oder eine Methode?
PEAR ist das Trainingssystem. Das daraus entstehende Modell heißt Qwen3.8-27B-PEAR.
Hat es 18 von 30 verschiedenen Tests bestanden?
Nein. Es gelangen 18 von 30 Versuchen in zwei Aufgabenfamilien: Greifen und Blockausrichtung.
Wurden Daten echter Roboter genutzt?
Laut Paper nein. Das Training lief nur in Simulation, ohne Demonstrationen.
Methode und Grenzen
Geprüft am 16. November 2026. Wir haben das arXiv-Paper und zwei Zusammenfassungen über Suchauszüge gelesen; ein direkter Abruf des Papers wurde ratenbegrenzt. Die Anfrage sagte „18 Tests von 30“; das Paper zählt Versuche in zwei Aufgabenfamilien. Die Zugehörigkeiten stammen aus dem Auszug des arXiv-PDFs; eine Zusammenfassungsseite nennt nur Labor-Tags.
Quellen
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (HTML) (geprüft am 2026-11-08)
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (PDF) (geprüft am 2026-11-08)
- ArXivSignals: Training Reasoning Models in Simulation to Natively Use Real Robots (geprüft am 2026-11-08)
- Sam on AI: AI Brief - November 16, 2026 (geprüft am 2026-11-08)
Einen Fehler in diesem Artikel entdeckt? Melden Sie ihn · Unsere Korrekturrichtlinie