Modelli
Un preprint con autori del MIT dice che Qwen3.8-27B-PEAR, addestrato solo in simulazione, ha completato 18 prove su 30 su un robot reale a due bracci mai visto, mentre il modello di base non ne ha completata nessuna
Un preprint dice che un modello 27B addestrato in simulazione ha completato 18 prove su 30 su un robot reale; il modello base nessuna. Due tipi di compiti.
Un preprint datato 13 novembre 2026, con autori di MIT, UC Berkeley, UCSD, Nvidia e Inco AI, riferisce che un modello di ragionamento a pesi aperti da 27 miliardi di parametri ha imparato a controllare robot reali dopo un addestramento solo in simulazione. Il sistema di addestramento si chiama PEAR (Post-training Engine for Agentic Robotics) e il modello risultante Qwen3.8-27B-PEAR. Su un robot a due bracci YAM mai visto in addestramento, il modello finale è riuscito in 18 prove su 30. Sono tentativi su un piccolo insieme di compiti, non 30 test diversi.
L'essenziale
- Che cos’è PEAR: un sistema di post-addestramento che applica l’apprendimento per rinforzo a un modello di ragionamento in simulazione, senza dimostrazioni umane. Il modello è il Qwen3.8-27B a pesi aperti di Alibaba.
- Addestramento: simulatori LIBERO e RoboDojo, 148 passi su tre suite LIBERO, poi altri 77 con LIBERO-Long e 115 su RoboDojo. Nessun dato da robot reali.
- Risultato su robot reale: 18 prove su 30 per il modello finale, 7 per un checkpoint solo LIBERO e 0 per il modello di base, su uno YAM a due bracci mai visto.
- Che cosa erano le 30 prove: presa di oggetti (12 riuscite su 20) e allineamento di blocchi (6 su 10).
Prove, non 30 test diversi
La cifra conta tentativi su due famiglie di compiti, presa e allineamento di blocchi, con un solo robot. Mostra il trasferimento dalla simulazione a un nuovo robot entro quelle famiglie. Non mostra che il modello sappia fare 30 lavori diversi, e le due dimostrazioni di ragionamento via prompt non sono valutate.
I limiti segnalati dagli autori
L’articolo non riporta ablazioni dei componenti, usa un solo modello di base, due simulatori e un piccolo insieme di compiti. I risultati dipendono dal prompt e dalla capacità del controllore di raggiungere le pose obiettivo. Il ragionamento è lento, circa 4,3 secondi per ciclo ad alto impegno. Il prompt deve descrivere il robot e le sue direzioni di coordinate.
Che cosa non è accertato
- Se il risultato regge su altri robot o compiti: non testato oltre uno YAM e due famiglie di compiti.
- Quale parte della ricetta conta di più: nessuna ablazione riportata.
- Revisione paritaria: è un preprint.
- Velocità e affidabilità reali: il ragionamento richiede secondi per passo.
- Replicazione indipendente: nessuna riportata.
Tabella riassuntiva
| Punto | Che cosa risulta al 7 novembre 2026 | Fonte |
|---|---|---|
| Articolo | Preprint del 13 novembre 2026, arXiv 2611.18562 | arXiv |
| Modello | Qwen3.8-27B post-addestrato con PEAR per apprendimento per rinforzo | arXiv |
| Dati di addestramento | Solo simulazione, nessuna dimostrazione né dato da robot reale | ArXivSignals |
| Robot reale | YAM a due bracci, mai visto in addestramento; 30 prove | ArXivSignals |
| Risultati | Finale 18/30, solo LIBERO 7/30, base 0/30 | Sam on AI |
FAQ
PEAR è un modello o un metodo?
PEAR è il sistema di addestramento. Il modello che produce si chiama Qwen3.8-27B-PEAR.
Ha superato 18 test diversi su 30?
No. È riuscito in 18 prove su 30 distribuite su due famiglie di compiti: presa e allineamento di blocchi.
Sono stati usati dati di robot reali?
L’articolo dice di no. L’addestramento è avvenuto solo in simulazione, senza dimostrazioni.
Metodo e limiti
Verificato il 16 novembre 2026. Abbiamo letto l’articolo arXiv e due riassunti tramite estratti di ricerca; una lettura diretta dell’articolo è stata limitata dal rate limit. La richiesta diceva «18 test su 30»; l’articolo conta prove su due famiglie di compiti. Le affiliazioni vengono dall’estratto del PDF arXiv; una pagina di riassunto dà solo etichette di laboratori.
Fonti
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (HTML) (verificato il 2026-11-08)
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (PDF) (verificato il 2026-11-08)
- ArXivSignals: Training Reasoning Models in Simulation to Natively Use Real Robots (verificato il 2026-11-08)
- Sam on AI: AI Brief - November 16, 2026 (verificato il 2026-11-08)
Avete notato un errore in questo articolo? Segnalatelo · La nostra politica sulle correzioni