# MIT Han Lab addestra in simulazione un modello per i robot

> Secondo i ricercatori, il modello di ragionamento open da 27B ha raggiunto il 60% di successi su un robot reale a due bracci dopo un addestramento solo in simulazione.

Oossa · 2026-11-16 · https://oossa.com/it/mit-han-lab-trains-a-robot-using-model-entirely-in-simulation

I ricercatori di MIT Han Lab affermano di aver addestrato un modello di ragionamento open da 27 miliardi di parametri a controllare robot usando l’apprendimento per rinforzo in simulazione, senza mostrargli come svolgere i compiti. Su un robot reale a due bracci, il modello addestrato ha avuto successo nel 60% delle prove; quello non addestrato non ci è riuscito in nessuna.

Il modello, basato su Qwen3.8-27B, è passato anche dall’1,6% al 74,4% sul benchmark di attività robotiche LIBERO. I ricercatori affermano che il risultato si è avvicinato a quelli di GPT-6 Astra e GPT-6.1 Sol, eseguiti con le impostazioni di ragionamento più elevate. I risultati provengono dalle valutazioni dei ricercatori e non da una verifica indipendente.

## Come controlla un robot?

Il modello riceve immagini dalle telecamere e informazioni sul braccio del robot, ragiona sul da farsi e poi indica la posizione successiva del braccio. Un controller del robot traduce quella posizione in un movimento. I ricercatori descrivono il sistema come simile a un agente che usa il computer, guarda lo schermo e fa clic, ma precisano che non impiega livelli aggiuntivi di strumenti di percezione, pianificatori di movimento o abilità predefinite.

L’addestramento ha usato l’apprendimento per rinforzo applicato all’uso dei robot: il modello ha provato a svolgere compiti in ambienti simulati e ha imparato in base al successo o meno. Il software PEAR del team fornisce l’infrastruttura di addestramento, comprese le simulazioni e gli strumenti di valutazione. MIT Han Lab afferma di aver pubblicato il modello, il codice e l’infrastruttura di addestramento.

## L’addestramento in simulazione funziona anche nel mondo reale?

I ricercatori riferiscono che il modello ha trasferito le proprie capacità a un robot reale, a un robot diverso e a istruzioni mai incontrate durante l’addestramento. Su LIBERO-Pro, che verifica come il sistema gestisce obiettivi e disposizioni degli oggetti modificati, il loro modello ha avuto successo nel 57,4% degli episodi con un nuovo compito in uno scenario già noto. Il modello π0.5, addestrato con dimostrazioni, ha raggiunto lo 0,75% nelle stesse condizioni.

È un test diverso dalla semplice ripetizione di compiti già noti. Su LIBERO, i ricercatori hanno valutato i modelli su 2.000 episodi. Riferiscono inoltre che, dopo l’addestramento robotico, non è stato rilevato alcun peggioramento in nove benchmark di ragionamento, programmazione e visione. L’articolo è un preprint su arXiv e i risultati non dimostrano come si comporterebbe il sistema nell’uso quotidiano o con altri robot e in altri contesti.

## I fatti

- Il modello di base era Qwen3.8-27B, un modello di ragionamento open da 27 miliardi di parametri.
- La percentuale di successo su LIBERO è passata dall’1,6% prima dell’addestramento al 74,4% dopo.
- Il modello addestrato ha avuto successo nel 60% delle prove su un robot reale a due bracci; il modello di base non ha avuto successo in nessuna.
- Nel test di LIBERO-Pro con un nuovo compito in uno scenario già noto, i ricercatori riferiscono un successo del 57,4% per il loro modello e dello 0,75% per π0.5.

## Perché conta

I ricercatori di robotica possono usare il modello, il codice e l’infrastruttura di addestramento PEAR pubblicati per studiare se l’addestramento in simulazione può ridurre la necessità di fornire dimostrazioni dei compiti. Il risultato ottenuto con un robot reale è promettente, ma non mostra quanto il sistema funzionerebbe in modo affidabile al di fuori dei robot e dei compiti testati.

## Fonti e riferimenti

1. [Training Reasoning Models in Simulation to Natively Use Real Robots](https://arxiv.org/abs/2611.18562) – arXiv cs.RO, 2026-11-16
2. [MIT HAN Lab](https://github.com/mit-han-lab/pear) – MIT HAN Lab
3. [MIT Han Lab](https://mit-han-lab.github.io/pear-blog/) – MIT Han Lab

Ultimo aggiornamento: 2026-11-16
