MIT 韩松团队推出名为 PEAR 的具身机器人后训练引擎，基于 Qwen3.8-27B 模型，可在单张 RTX5090 显卡本地推理并直接操控真实双臂机械臂，整套方案已经开源，在 LIBERO 机器人基准测试上，把 Qwen3.8-27B 原始成功率从 1.6% 提升至 74.4%，已经十分接近 GPT-6 Astra 76.2% 的成绩，最大亮点是训练阶段完全不需要真人遥操作视频、真机采集数据，仅依靠仿真环境强化学习训练，训练完成之后直接迁移到从未见过的真实机械臂硬件上使用；整套系统的运行逻辑是模型读取多路摄像头画面、机械臂实时状态，自主规划任务、输出末端坐标，再由逆运动学模块换算成机械臂关节动作，不需要额外预训练的抓取策略、独立感知插件，模型自主完成视觉理解、任务推理、动作规划，演示中可以完成绘画、化学试剂挑选、物品分拣等长流程任务，对比 GPT-6 Astra 这类闭源模型，这套开源方案本地部署成本低、延迟可控，不用依赖云端 API，适合科研和小批量机器人原型开发。很多做具身智能的开发者之前卡在闭源模型成本高、无法本地私有化部署、真机采集数据工作量巨大这些问题上，PEAR 方案给了一条低成本路线，但也要看清局限，它目前在复杂形变物体、高精度装配、超长时序任务上稳定性依旧弱于 GPT-6 Astra，属于追赶阶段，不是全面超越。开发者上手测试的时候，要提前准备 RTX5090（32G 显存）、配套双臂机器人、仿真环境，优先跑 LIBERO 基准验证效果，再逐步迁移到自己的机器人硬件上。
PEAR 项目基础信息对照表
| 项目 | 详情 |
|---|---|
| 团队 | MIT 韩松团队 |
| 项目名称 | PEAR（Post-training Engine for Agentic Robotics） |
| 基座模型 | Qwen3.8-27B |
| 推理硬件 | 单张 RTX 5090 |
| 训练数据源 | 仅仿真环境强化学习，无真人遥操、无真机数据 |
| 测试硬件 | YAM 双臂机械臂 |
| LIBERO 基准原始基线 | 1.6% |
| PEAR 优化后成功率 | 74.4% |
| GPT-6 Astra 同基准成绩 | 76.2% |
| 开源状态 | 代码、权重、仿真环境配套方案全部开源 |
核心技术亮点清单
- 零真机演示训练：全程仿真训练，省去机器人数据采集、人工示教的巨大成本
- 端侧本地推理：RTX5090 单卡就能跑，不依赖云端接口，降低延迟、保障数据本地留存
- 一体化智能体范式：视觉观察、任务推理、动作规划全部交给大模型，不拆分独立技能模块
- 强跨环境泛化：仿真训练后直接迁移陌生真机，不用针对新硬件重新微调大量参数
- 任务覆盖：支持物品抓取摆放、绘图、试剂选择、多步骤逻辑类桌面操控任务
现存短板与边界说明
- 复杂柔性物体、细线、布料类任务失误率偏高
- 超长时间、多阶段连锁任务容易出现规划跑偏
- 高精度装配、微小缝隙操作稳定性不如 GPT-6 Astra
- 对相机标定、机器人校准精度敏感，硬件误差会直接拉低成功率
开发者上手落地参考步骤
- 硬件准备：确认 RTX5090 32GB 显存，准备兼容 ROS/LeRobot 的双臂机械臂、多路 RGB 相机
- 环境拉取：从开源仓库下载 PEAR 代码、Qwen3.8-27B 适配权重、LIBERO 仿真基准
- 仿真验证：优先在 LIBERO 仿真环境复现基准成功率，排查推理、环境配置问题
- 真机标定：做好相机内外参标定、机械臂运动学校准，减少硬件带来的偏差
- 任务迭代：先跑简单单步抓取任务，再逐步测试多步骤长时序任务，记录失败案例迭代提示词与后训练策略
【相关 FAQ】
问题 1：韩松团队 PEAR 项目开源，Qwen3.8-27B 在 5090 上操控机械臂，和 GPT-6 Astra 对比是什么水平？
回答 1：韩松团队 PEAR 项目开源，Qwen3.8-27B 在 5090 上操控机械臂在 LIBERO 基准达到 74.4%，逼近 GPT-6 Astra 的 76.2%，但复杂任务稳定性还有差距，属于追赶状态，没有实现全面超越。
问题 2：韩松团队让 Qwen3.8-27B 在 5090 上操作机械臂，训练的时候需要真人操控机器人采集数据吗？
回答 2：韩松团队让 Qwen3.8-27B 在 5090 上操作机械臂，PEAR 训练全程只用仿真环境强化学习，不需要任何真人遥操作演示、真机采集数据。
问题 3：韩松团队 PEAR 方案，Qwen3.8-27B 操控机械臂，必须使用 RTX5090 显卡吗？
回答 3：韩松团队 PEAR 方案，Qwen3.8-27B 操控机械臂的原生推荐推理硬件是 RTX5090（32G 显存），更低显存显卡很难稳定跑通这套具身智能本地推理流程。
问题 4：韩松团队开源的这套 Qwen3.8-27B 机械臂操控方案，能直接拿来做商用工业机器人吗？
回答 4：韩松团队开源的这套 Qwen3.8-27B 机械臂操控方案目前偏向科研原型，桌面简单任务效果不错，复杂工业装配、高可靠产线场景稳定性不足，暂不适合直接商用落地。
【参考资料】
[2026-11-15]（逼近 GPT-6 Astra！韩松团队让 Qwen3.8-27B 在 5090 上操作机械臂，现已开源）凤凰网科技
[2026-11-15]（MIT 韩松 PEAR：仿真后训练把 Qwen3.8-27B 做成机器人智能体）机器之心
[2026-11-15]（PEAR 项目开源：单卡 5090 跑 Qwen3.8-27B 控制双臂机器人）新浪财经
[2026-09-22]（Generalizing Manipulation Skills with a Local Coding Agent）arXiv
【免责声明】
本内容为 MIT 韩松团队 PEAR 项目、公开论文、媒体报道信息整理；基准成功率为 LIBERO 仿真 + 真机测试条件下的实验数据，实际效果受相机标定、机械臂硬件、显卡量化策略影响；项目仅为科研开源原型，不构成工业机器人、商用具身产品的选型和开发落地建议。
本文来自作者[频粒聚序人]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/jqr/202611/1651.html
评论列表（4条）
我是环球科技潮的签约作者“频粒聚序人”！
希望本篇文章《韩松团队 PEAR 项目开源，Qwen3.8-27B 在 RTX5090 本地运行操控机械臂，性能逼近 GPT-6 Astra》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：MIT 韩松团队推出名为 PEAR 的具身机器人后训练引擎，基于 Qwen3.8-27B 模型，可在单张 RTX5090 显卡本地推理并直接操控真实双臂机械臂，整套方案已经开源，在 LIBERO 机器人基准测试上，把 Qwen3.8-27B 原始成功率从 1.6% 提升至 74.4%，已经十分接近 GPT-6 Astra 76.2% 的成绩，最大亮点是训练阶段完全不需要真人遥操作视频、真机采集数据，仅依靠仿真环境强化学习训练，训练完成之后直接迁移到从未见过的真实机械臂硬件上使用；整套系统的运行逻辑是模型读取多路摄像头画面、机械臂实时状态，自主规划任务、输出末端坐标，再由逆运动学模块换算成机械臂关节动作，不需要额外预训练的抓取策略、独立感知插件，模型自主完成视觉理解、任务推理、动作规划，演示中可以完成绘画、化学试剂挑选、物品分拣等长流程任务，对比 GPT-6 Astra 这类闭源模型，这套开源方案本地部署成本低、延迟可控，不用依赖云端 API，适合科研和小批量机器人原型开发。很多做具身智能的开发者之前卡在闭源模型成本高、无法本地私有化部署、真机采集数据工作量巨大这些问题上，PEAR 方案给了一条低成本路线，但也要看清局限，它目前在复杂形变物体、高精度装配、超长时序任务上稳定性依旧弱于 GPT-6 Astra，属于追赶阶段，不是全面超越。开发者上手测试的时候，要提前准备 RTX5090（32G 显存）、配套双臂机器人、仿真环境，优先跑 LIBERO 基准验证效果，再逐步迁移到自己的机器人硬件上。