您的位置首页 >人工智能 >

韩松团队 PEAR 项目落地,Qwen3.8-27B 在 RTX5090 操控机械臂,性能逼近 GPT-6 Astra 且已开源

MIT 韩松团队推出名为 PEAR 的机器人智能体后训练引擎,基于 Qwen3.8-27B 大模型,在单张 RTX5090 显卡上本地运行,实现双臂机械臂的自主操控,多项具身智能测试指标逼近 GPT-6 Astra,整套项目代码、方案全部开源,它最大的亮点是不用真人示教、不需要真机采集数据,只靠仿真环境强化学习训练,就能直接迁移到从没见过的真实机械臂上完成任务,解决了现在主流具身智能方案成本高、依赖大量真机数据、很难在消费级显卡本地部署的痛点。当前很多顶尖机器人模型都绑定云端大模型,推理延迟高、调用成本昂贵,很难普及;而 PEAR 方案依托 Qwen3.8-27B 本身的通用推理能力,搭配仿真环境做机器人后训练,在保留原有数学、编程能力的前提下,学会视觉感知、空间判断、机械臂动作规划,单张 RTX5090 可以跑到 221tok/s,满足机器人实时控制的速度要求,在 LIBERO 基准测试中成绩大幅提升,真机测试里 30 次任务成功 18 次,演示里可以完成看图绘画、化学试剂选择这类跨场景任务,给低成本本地具身智能开辟了一条可落地路线。

一、PEAR 项目核心信息清单

  1. 项目名称:PEAR(Post-training Engine for Agentic Robotics,机器人智能体后训练引擎)
  2. 研发主体:MIT 韩松团队,联合伯克利、UCSD、英伟达参与
  3. 基础模型:Qwen3.8-27B
  4. 运行硬件:单张 RTX 5090,本地部署,推理速度 221tok/s
  5. 训练方式:仅仿真环境强化学习,无人类遥操演示、无真机训练数据
  6. 测试真机:YAM 双臂机械臂
  7. 开源状态:项目代码、技术方案对外开源
  8. 典型演示任务:临摹梵高《星空》线稿、挑选酚酞试剂检验碱性溶液

二、核心测试数据对比表

测试项目PEAR(Qwen3.8-27B)GPT-6 Astra旧基线 π0.5
LIBERO 基准成功率74.4%接近对标很低
新指令零样本成功率57.4%领先一档0.75%
YAM 真机 30 次测试成功次数18 次——0 次
通用能力(9 项基准)几乎无衰减顶尖——

三、这套方案的关键技术特点

  1. 不破坏原有模型能力:经过机器人后训练,AIME、GPQA、LiveCodeBench 等数学、编程基准分数几乎不变,模型不会变成只会控制机器人的专用模型。
  2. 仿真到真机零迁移适配:训练全程在仿真环境,直接部署到陌生实体机械臂,不用额外微调。
  3. 消费级显卡可跑:不需要 A100、H100 这类高端数据中心卡,RTX5090 就能承载整套推理,降低机器人 AI 研发门槛。
  4. 思维链动作规划:模型读取多路摄像头画面、机械臂状态,自主推理,输出连续动作指令。

四、现存局限

  1. 目前验证场景以桌面小任务为主,复杂工业、移动机器人场景还没有大规模验证。
  2. 对比 GPT-6 Astra,综合上限依然有差距,只是逼近其机器人专项能力。
  3. 对实时视觉输入、显卡显存、推理延迟有硬性要求,更低规格显卡很难稳定跑通。

五、后续跟踪重点

  1. 开源仓库配套文档、部署教程的完善进度
  2. 更多机械臂、移动机器人硬件适配的测试结果
  3. 后续版本是否进一步提升复杂长序列任务成功率
  4. 社区开发者基于 PEAR 二次开发的机器人项目案例

【相关 FAQ】

问题 1:韩松团队让 Qwen3.8-27B 在 RTX5090 上操作机械臂、逼近 GPT-6 Astra,这个项目叫什么?

回答 1:韩松团队让 Qwen3.8-27B 在 RTX5090 上操作机械臂、逼近 GPT-6 Astra,项目名称为 PEAR,是面向机器人智能体的后训练引擎,并且整套方案已经开源。

问题 2:韩松团队的 PEAR 项目,Qwen3.8-27B 操控机械臂,训练的时候需要真人操控演示数据吗?

回答 2:韩松团队的 PEAR 项目里,Qwen3.8-27B 操控机械臂不需要真人遥操演示、不需要真机采集数据,只在仿真环境完成强化学习,就能直接部署到真实机械臂。

问题 3:Qwen3.8-27B 依托 PEAR 在 RTX5090 操控机械臂,逼近 GPT-6 Astra,部署门槛高吗?

回答 3:Qwen3.8-27B 依托 PEAR 在 RTX5090 操控机械臂、逼近 GPT-6 Astra,部署门槛相比云端方案更低,单张 RTX5090 消费显卡就可以本地运行,不用高端算力卡。

问题 4:Qwen3.8-27B 经过 PEAR 机器人训练之后,会不会丢失原来的推理、编程能力?

回答 4:Qwen3.8-27B 经过 PEAR 机器人训练之后,在 9 项通用基准测试上分数几乎没有衰减,在 RTX5090 操控机械臂、逼近 GPT-6 Astra 的同时,保留原本的数学、编程能力。

【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 项目:Qwen3.8-27B 具身智能仿真训练,真机双臂机器人测试)机器之心

[2026-11-14](PEAR:Robot-Use RL 基于 Qwen3.8-27B,单 RTX5090 本地跑机器人智能体)123456.ai

[2026-11-14](Democratizing Robot-Use Agents: A Unified Harness with Open Models)arXiv

[2026-11-13](Qwen3.8-27B 可在 RTX5090 本地高速推理,适配机器人智能体场景)掘金

【免责声明】

本文内容仅为 AI 科研资讯解读,不构成硬件采购、项目落地、投资决策建议;PEAR 属于前沿科研项目,真机稳定性、场景拓展能力仍在持续验证,部署、测试结果请以韩松团队开源仓库与论文原文为准。