Qwen 本地控制机器人拿到 31.39：uni-robot-agent 把推理和动作接上了

OpenRUA 团队发布 uni-robot-agent。它让 Qwen3.8-Flash-Next 在本地运行并控制机器人。RoboDojo 上，分数从 1.90 升到 31.39，超过 RoboDojo 团队公布的 GPT-6 Astra + RoboProbe 的 28.97。真实机器人测试里，Qwen 零样本 53.50，比每项任务用 10 小时遥操作数据微调的 π0.5 高 5.75 分，比零样本 Dream-1 高 10 分。

先别读成开源模型全面超过闭源模型。同一个 harness 下，GPT-6 Astra 在 RoboDojo 拿到 51.90，真实机器人 80.50。Qwen 的真实机器人分数用了 Intel RealSense D405 深度，π0.5 和 Dream-1 只用 RGB。对比口径要摆出来。

uni-robot-agent 总览：模型、统一工具集、仿真与真实环境适配器

这套东西解决什么痛点。harness 可以理解为机器人代理的运行框架。它把模型侧的动作拆成感知、运动、技能、结束任务四类工具，再用共享参数、单位、反馈格式接到 RoboDojo、Libero、RoboLab 和 ARX X5、Franka、Sharpa 这些后端。换环境时写适配器，不用把每个工具重写一遍。轨迹记录统一成观察、调用工具、反馈三件事，方便后续收集训练数据。系统架构分五层：agent、orchestration、tools、services、backends。模型调用共享工具，环境适配器执行动作并返回证据，下一步决策再基于这些证据继续。

同一套工具接口跨仿真和实体机器人：Franka 叠块、ALOHA 递物、YuMi 插销

结果先看两套口径

RoboDojo 有 42 个任务，五个维度：泛化、精度、长程、记忆、开放词汇。Qwen 主结果跑 252 episodes，Score 31.39，成功率 25.00%。Astra 用同一 harness 跑出 51.90 / 46.67%。DeepSeek-V4.1-Flash 是 27.11 / 21.39%。Qwen 用 GAP Hybrid 的基线是 21.01 / 16.11%。

真实机器人测试有 19 项，五个维度各 20 分。Astra 80.50，Qwen 53.50，微调 π0.5 47.75，零样本 Dream-1 43.50。未见任务仍然是硬骨头，Astra 和 Qwen 都只拿到 8 / 20。

RoboDojo 与真实机器人结果表：Qwen、Astra、π0.5、Dream-1 的分数放在一起看

另一张结果表：Agent 与 VLA、WAM 在不同能力维度上的分布

更大的模型不一定更会开机器人

团队测了 13 个模型。Qwen3.5 到 3.7 的 Flash、Plus 在 42 个任务上成功率是 0，Qwen3.6 Plus 的 Score 只有 0.38。到 Qwen3.8-27B，成功率 8.06%，Score 9.61。Qwen3.8-Flash-Next 是 25.00% / 31.39。GLM-5.3-Flash 加了深度，成功率仍是 0。

GPT 系列里，GPT-5.6 Sol 是 19.17% / 24.04，GPT-6.1 Sol 是 37.50% / 45.63，GPT-6 Astra 是 46.67% / 51.90。机器人使用能力在更早的 GPT 模型里已经出现，只是最新一代把分数拉高。Qwen 这边，能力在 3.8 才跨过某个门槛。团队没有把原因归给参数规模，他们更怀疑训练分布的变化。

失败模式被拆成四类：看错物体和动作结果、跨视角定位失败、几何代码写错、抓取姿势不合理。前代 Qwen 的几何计算错误率在 47.3% 到 81.8%，Qwen3.8-Flash 降到 8.2%，DeepSeek 1.5%，GPT-5.6 0.7%，GPT-6.1 为 0。空间定位仍然难，GPT-6.1 有 31.5% 的三角化调用被检查拒绝。

机器人使用能力随模型代际和家族变化：Qwen3.8 才出现可验证成功

四类失败模式与任务分数的关系：视觉、定位、几何代码、具身推理

四个通用能力和机器人使用表现正相关：ERQA 的 Pearson r 是 0.97，MMMU-Pro 0.93，ScreenSpot-Pro 0.69，LiveCodeBench v6 0.75。相关性不是因果，但它说明会看、会定位、会算、会把决定写成代码，可能一起决定机器人使用能力。

信息给得对不对，比模型大小更直接

主评估不给模拟器深度，也不给任务验证器反馈。Qwen 有深度时 Score 35.89，有校准无深度 31.39，连校准也去掉只剩 9.13。Astra 对应 55.83、55.04、31.29。深度和校准不是装饰，它们决定模型能不能把图像里的点变成世界里的坐标。

技能库也被单独拿掉测试。关掉机器人技能库和写新技能的能力后，Qwen 仍有 30.31，保留 96.6% 的分数。技能有帮助，但不是唯一支撑。清晰任务说明、环境描述、标准工具和可检查反馈仍然在起作用。

无深度、无校准时的分数变化：Qwen 对校准更敏感

技能库开关对比：关掉技能库后 Qwen 保留 96.6% 分数

成本和速度要分开看

Qwen 每个 episode 约 1.09 美元，Astra 21.29 美元，约 1/20。Qwen 平均 37.7M tokens，Astra 16.8M，DeepSeek 48.8M。到 Score 25，Astra 用 7.4M tokens 和 42.6 分钟，Qwen 用 23.5M tokens 和 95.5 分钟，DeepSeek 用 49.9M tokens 和 99.2 分钟。token 省不等于墙钟快。

执行调度上，pipelining 让模型在机器人运动时继续推理。五个任务里，episode 时长缩短 4.8% 到 73.7%。换 T 块是 12.5 分钟对 34.7 分钟，按编号按钮是 13.7 分钟对 25.0 分钟。这个对比只说明观察到的缩短，不能把全部差异都归给调度。

Score 与 token、API 成本：Qwen 便宜，Astra 贵但分数更高

达到 Score 25 所需 token 和时间：token 效率和执行速度不是一回事

真实机器人任务场景：把试管插入架子

真实机器人任务场景：双臂瓶子交接

真实机器人任务场景：叠放开口纸杯

真实机器人任务场景：三层汉诺塔

uni-robot-agent 的第一价值不在单次分数。它把模型、工具、环境、反馈拆成可替换的接口，让开放权重模型可以在本地部署，也让后续训练有统一的经验格式。精确操作、长程执行、未见任务仍然是硬骨头。评论区有人问，喂给 Qwen 的是原始相机帧，还是独立感知模型生成的文本场景描述。素材没有给出回答。这个问题值得追，它决定这套 harness 的感知边界在哪里。

代码和材料在这里：博客，代码，论文，项目页。