모델
MIT 저자 참여 프리프린트, 시뮬레이션만으로 학습한 Qwen3.8-27B-PEAR가 본 적 없는 실제 양팔 로봇에서 30회 중 18회 성공, 기본 모델은 0회
프리프린트에 따르면 시뮬레이션만으로 학습한 27B 모델이 실제 로봇에서 30회 중 18회 성공했고 기본 모델은 0회였다. 시험은 두 가지 작업이다.
2026년 11월 13일자 프리프린트는 MIT, UC버클리, UCSD, 엔비디아, Inco AI 소속 저자들이 시뮬레이션만으로 학습한 270억 파라미터 오픈 웨이트 추론 모델이 실제 로봇을 다룰 수 있게 됐다고 보고했다. 학습 시스템은 PEAR(Post-training Engine for Agentic Robotics)이고 결과 모델은 Qwen3.8-27B-PEAR다. 학습에 쓰이지 않은 양팔 로봇 YAM에서 최종 모델은 30회 중 18회 성공했다. 이는 작은 작업 집합에 대한 시도 횟수이지 서로 다른 30개 테스트가 아니다.
핵심 요약
- PEAR란: 사람의 시연 없이 시뮬레이션에서 추론 모델에 강화학습을 적용하는 후속 학습 시스템. 모델은 알리바바의 오픈 웨이트 Qwen3.8-27B.
- 학습: LIBERO와 RoboDojo 시뮬레이터. LIBERO 3개 스위트에서 148스텝, LIBERO-Long 추가 후 77스텝, RoboDojo에서 115스텝. 실제 로봇 데이터는 쓰지 않았다.
- 실제 로봇 결과: 본 적 없는 양팔 YAM에서 최종 모델 30회 중 18회, LIBERO 전용 체크포인트 7회, 기본 모델 0회.
- 30회의 내용: 물체 집기(20회 중 12회 성공)와 블록 정렬(10회 중 6회).
서로 다른 30개 테스트가 아니라 시도 횟수
이 수치는 한 대의 로봇으로 두 작업군(집기와 블록 정렬)을 시도한 횟수입니다. 해당 작업군 안에서 시뮬레이션에서 새 로봇으로의 전이를 보여줍니다. 서로 다른 30가지 일을 할 수 있다는 뜻은 아니며, 프롬프트로 시연한 두 추론 사례는 채점되지 않았습니다.
저자들이 밝힌 한계
논문은 구성 요소 제거 실험을 보고하지 않았고, 기본 모델은 하나, 시뮬레이터는 둘, 작업 집합은 작다고 밝힙니다. 결과는 프롬프트와 제어기가 목표 자세에 도달하는지에 좌우됩니다. 추론은 느려서 고강도 한 라운드에 약 4.3초가 걸립니다. 프롬프트에 로봇과 좌표 방향을 설명해야 합니다.
확립되지 않은 점
- 다른 로봇이나 작업에서도 유지되는지: YAM 한 대와 두 작업군 밖에서는 검증되지 않음.
- 방법의 어떤 요소가 가장 중요한지: 제거 실험 보고 없음.
- 동료 심사: 프리프린트임.
- 실사용 속도와 신뢰성: 추론에 단계당 수 초 소요.
- 독립적 재현: 보고된 바 없음.
비교 표
| 항목 | 2026년 11월 7일 기준 공표 내용 | 출처 |
|---|---|---|
| 논문 | 2026년 11월 13일자 프리프린트, arXiv 2611.18562 | arXiv |
| 모델 | PEAR로 강화학습 후속 학습한 Qwen3.8-27B | arXiv |
| 학습 데이터 | 시뮬레이션만, 시연도 실제 로봇 데이터도 없음 | ArXivSignals |
| 실제 로봇 | 학습에 없던 양팔 YAM, 30회 시도 | ArXivSignals |
| 결과 | 최종 18/30, LIBERO만 7/30, 기본 0/30 | Sam on AI |
자주 묻는 질문
PEAR는 모델인가요, 방법인가요?
PEAR는 학습 시스템입니다. 이것이 만든 모델이 Qwen3.8-27B-PEAR입니다.
서로 다른 30개 테스트 중 18개를 통과했나요?
아닙니다. 집기와 블록 정렬 두 작업군에서 30회 중 18회 성공했습니다.
실제 로봇 데이터를 썼나요?
논문은 쓰지 않았다고 합니다. 시연 없이 시뮬레이션만으로 학습했습니다.
방법과 한계
2026년 11월 16일 확인. arXiv 논문과 요약 2건을 검색 발췌로 확인했으며 논문 직접 조회는 요청 제한으로 실패했다. 요청문은 ‘30개 테스트 중 18개’라 했으나 논문은 두 작업군의 시도 횟수를 센다. 소속은 arXiv PDF 발췌에 따랐고 요약 페이지 하나는 연구실 태그만 제시한다.
출처
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (HTML) (확인일: 2026-11-08)
- arXiv: Training Reasoning Models in Simulation to Natively Use Real Robots (PDF) (확인일: 2026-11-08)
- ArXivSignals: Training Reasoning Models in Simulation to Natively Use Real Robots (확인일: 2026-11-08)
- Sam on AI: AI Brief - November 16, 2026 (확인일: 2026-11-08)