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.

Di ·

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

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

Tabella riassuntiva

Tabella riassuntiva
PuntoChe cosa risulta al 7 novembre 2026Fonte
ArticoloPreprint del 13 novembre 2026, arXiv 2611.18562arXiv
ModelloQwen3.8-27B post-addestrato con PEAR per apprendimento per rinforzoarXiv
Dati di addestramentoSolo simulazione, nessuna dimostrazione né dato da robot realeArXivSignals
Robot realeYAM a due bracci, mai visto in addestramento; 30 proveArXivSignals
RisultatiFinale 18/30, solo LIBERO 7/30, base 0/30Sam 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

Avete notato un errore in questo articolo? Segnalatelo · La nostra politica sulle correzioni

Logo di OrigoTech

Novità: l’app iPhone e iPad

OrigoTech è ora un’app per iPhone e iPad

Leggi gli articoli in modo nativo, con indicatori «Nuovo» sui non letti, ricerca locale e lettura offline di ciò che hai già caricato. Gratis, senza account, iOS 17 o successivo; tra gli articoli compaiono annunci.

Icona di Rekha: una casetta disegnata con un solo tratto

Dello stesso autore Autopromozione

Un cammino euleriano, tracciato con il dito

Rekha, il gioco per iPhone dell'autore di OrigoTech: collegate tutti i punti con un solo tratto senza ripassare due volte sullo stesso collegamento, in 500 disegni tutti risolvibili.

La newsletter di OrigoTech

Un riepilogo settimanale, con fonti, delle novità sugli strumenti di IA.

Da leggere ora

Modelli

Gemini 4 Hydrogen: prezzo, benchmark e il nuovo Orchestrator di Antigravity; Claude Code aggiunge Code Mode, Codex CLI 0.168.0

Google ha lanciato Gemini 4 Hydrogen il 12 novembre, un modello veloce per la programmazione quotidiana e gli agenti a 1,50 $/7,50 $ per milione di token, con un livello gratuito nell'API e un nuovo Orchestrator in Antigravity che lo abbina a Carbon o Argon. Inoltre: Code Mode in Claude Code 2.1.323, Codex CLI 0.168.0, l'AWS Emulator scritto da agenti e il piano di investimenti da 40 a 45 miliardi di dollari di Nebius per il 2027.

· 6 min di lettura