公開されたのは学習基盤のPEARと、訓練済みモデル・論文・ブログだ。GitHubリポジトリの作成は2026年11月13日17時43分(UTC)で、Hugging Faceの「PEAR」コレクションも同日に更新されている。ブログ自体に日付表記はなく、公開日はリポジトリの作成時刻と翌14日の解説報道による。研究チームはJiaming Tang氏(MIT、Inco AI勤務中)ら11名で、所属はMIT、UC Berkeley、UCSD、NVIDIA、Inco AI。コードはApache-2.0で公開され、モデル重みへのリンクもブログとリポジトリに置かれている。
仕組み: 推論モデルをそのまま操作ループに入れる
PEARが対象にするのは、ロボット用に特別設計されたモデルではない。カメラ画像とアームの状態を文脈として受け取った汎用推論モデルが、思考したうえで次の手先姿勢をテキストで出力し、逆運動学とアームの制御器がそれを実行する。結果は次ラウンドの文脈に加わる。把持用の専用計画器やスキルライブラリは使わない。学習側はveRLの上に構築し、GRPO、動的サンプリング、Score Centeringで強化学習を行う。LIBERO(MuJoCo、CPU)とRoboDojo(Isaac Sim、GPU)を同じRayクラスタに置き、ロールアウトを非同期に回す構成で、実機データは一切使わない。
- 01 観測
画像+アーム状態
カメラ画像とアームの状態を文脈として受け取る。
- 02 思考
平均約4.3秒
モデルが思考連鎖で次の行動を決める。推論はGB300 1基で747トークン/秒(著者らの計測)。
- 03 出力
手先姿勢をテキスト
次の手先姿勢をテキストで出力する。
- 04 実行
逆運動学+制御器
出力を逆運動学とアームの制御器が実行し、結果を文脈に加える。
- 05 報酬
シミュレーター内の成否
仮想環境でのタスク成否だけを報酬にGRPOで学習する。実機データは使わない。
失敗の判定は25ラウンド超え、または1ラウンドの思考が32kトークン超え。平均約4.3秒と747トークン/秒は著者らの計測値。
強化学習の出発点は低い。基盤モデルQwen3.8-27BのLIBERO成功率は1.6%で、ほぼすべてのロールアウトが報酬なしに終わる。それでも著者らの報告では、Goal、Spatial、Objectの3スイートの学習成功率が148ステップまでに約70%に達し、149ステップ目からLIBERO-Longを加えて225ステップでLIBERO全体の成功率74.4%に届いた。最終モデルはさらにRoboDojoで115ステップ学習しており、RoboDojo内ではgeneral_pickup 71.2%、align_blocks 78.8%を報告している。
LIBERO全体(2,000エピソード)
- 基盤モデル
- 1.6%
- LIBEROのみ
- 74.4%
- +RoboDojo
- 未報告
LIBERO-Long(未学習スイート)
- 基盤モデル
- 0.4%
- LIBEROのみ
- 39.0%
- +RoboDojo
- 未報告
RoboDojo general_pickup
- 基盤モデル
- 10.7%
- LIBEROのみ
- 39.9%
- +RoboDojo
- 71.2%
RoboDojo align_blocks
- 基盤モデル
- 13.0%
- LIBEROのみ
- 17.0%
- +RoboDojo
- 78.8%
実機YAM(30試行)
- 基盤モデル
- 0%(0/30)
- LIBEROのみ
- 23%
- +RoboDojo
- 60%(18/30)
数値は著者らの報告(未査読プレプリント)。「LIBEROのみ」はLIBERO学習の最終チェックポイント(LIBERO-Longの39.0%は3スイート学習の148ステップ時点、未学習スイートへのゼロショット)、実機の「+RoboDojo」はLIBERO+RoboDojo学習の最終モデル。LIBERO全体の74.4%は4スイート学習の225ステップ時点。実機はalign_blocks 10試行+general_pickup 20試行の計30試行で、実機データは使っていない。
評価: 実機は30試行、汎用能力は9ベンチマーク
実機の評価は両腕ロボットYAMへの転移で、シミュレーターだけで学習したモデルを試す。align_blocks 10試行(5場面×2回)とgeneral_pickup 20試行(対象ごとに2回)の計30試行で、最終モデルは60%(18/30)に成功し、基盤モデルは0/30だった。LIBEROだけのチェックポイントでも23%成功しており、シミュレーター内で獲得した能力が実機に届いている。著者らはこのほか、名画の模写や薬品の選択といった知識と推論を要する実機タスクの例も示している。
ロボット操作の追加学習が汎用能力を壊していないかも測っている。推論・コーディング・視覚の9ベンチマークで、学習後のモデルはAIME 2026で98.5、GPQA Diamondで89.7、LiveCodeBenchで88.4を報告し、視覚系は基盤モデルと2ポイント以内。「測定可能な劣化なし」は著者らの表現どおりで、チームによる統計的有意性の宣言ではない。速度面では、GB300 1基でのデコードは747トークン/秒だが、1ラウンドの思考は平均約4.3秒かかり、思考連鎖が32kトークンに達すれば1手に30秒以上を要する。著者らはタスク完了が遅い点を限界として挙げ、短い思考への報酬設計を今後の課題としている。
模倣学習のロボット政策との対比が、この研究の位置づけを示す。LIBERO本体では各タスクのデモで学習したπ0.5(96.9%)が上回るが、場面は同じで別のタスクを実行させるLIBERO-Proの摂動では、π0.5が0.75%まで落ちるのに対し、PEAR学習後モデルは57.4%を維持した。著者らはこれを、デモの模倣と指示を読んで行動する推論の違いとして読んでいる。なお、初のsim-to-realと主張しているわけではなく、模倣学習やsim-to-real強化学習自体は既存の研究方針だ。
公開物を使う側の注意もある。コードはApache-2.0だが、Hugging Faceのモデル重みのライセンス条件はREADMEには書かれておらず、利用時に別途確認が要る。配備構成はRTX 5090またはGB300 1基で動くvLLMサーバーと、YAMまたはSO-101を駆動するロボットステーションだ。結果はすべて著者報告で、第三者による再現は確認できていない。実機評価は2種類のタスク・計30試行に限られ、「模倣データなし」はロボット操作の追加学習を指すのであって、基盤モデルの事前学習に実世界データが入っていないという意味ではない。一般用途での安全性や商用適性は未確立だ。
出典
- MIT HAN Lab Blog: Training Reasoning Models in Simulation to Natively Use Real Robots結果の核心(LIBERO 1.6%→74.4%、実機60%対0%、9ベンチマークで測定可能な劣化なし、747トークン/秒・平均約4.3秒)、著者11名と所属、動作の流れ、π0.5対比、限界。
- 同論文PDF(ブログ添付)実機30試行の内訳(align_blocks 10試行・general_pickup 20試行)と失敗判定(25ラウンド超え、1ラウンド32kトークン超え)、転移測定(LIBERO-Long 39.0%、RoboLab-120 37.3%)、訓練カリキュラム(148/225/340ステップ)。
- GitHub: mit-han-lab/pear(README)Apache-2.0、veRL上の非同期強化学習(GRPO、動的サンプリング、Score Centering)、MuJoCoとIsaac Simを同じRayクラスタに置く構成、対応ロボット(YAM・SO-101)、vLLMサーバーの配備構成、基盤モデルQwen3.8-27B。
- Hugging Face: MIT HAN Lab「PEAR」コレクションモデル重みの公開(2026-11-13時点の確認、コレクションの更新時刻も同日)。重み自体のライセンス条項はREADMEに記載がなく未確認。
- mindpattern.aiの解説(二次報道)公開日(2026-11-14付の解説)の補助。数値の独立検証ではない。
出典の確認日 2026.11.15