أعلنت فريق LeRobot عن إصدار النسخة 0.6.0 من إطار عمل تعلم الروبوتات مفتوح المصدر، والهادفة إلى إغلاق حلقة التعلم الآلي من خلال دمج نماذج محاكاة المستقبل، ونماذج تقييم المكافآت، وأدوات نشر وتصحيح آلية. يركز هذا الإصدار على تسريع دورة تطوير السياسات الروبوتية وتعزيز دقتها وكفاءتها الحسابية في بيئات المحاكاة والتشغيل الفعلي. يبرز الإصدار اعتماد ثلاث استراتيجيات تعتمد على النماذج العالمية، حيث تتعلم هذه النماذج توقع المشهد المستقبلي أثناء التدريب ثم تختفي عند مرحلة الاستنتاج لتقليل التكلفة الحسابية. تشمل التحديثات توسيع قاعدة نماذج اللغة-الرؤية-الإجراء بإصدارات مثل GR00T N1.7 المطور من إنفيديا، وMolmoAct2 من معهد أليس، وEO-1 وMultitask DiT وEVO1 التي تغطي طيفاً من الأحجام والوظائف لتتناسب مع عتاد متنوع وتدعم تقنيات الضبط المرن. على صعيد التقييم، قدم الإصدار واجهة موحدة لنماذج المكافآت تشمل Robometer وTOPReward، اللتان تقيسان تقدم المهمة ونجاحها تلقائياً من خلال تحليل الفيديو والتعليمات النصية دون حاجة لضبط يدوي أو تدريب مخصص. ومعها، أُطلق ستة معايير محاكاة جديدة تحت نظام التقييم الموحد، تشمل LIBERO-plus وRoboTwin 2.0 وRoboCasa365 وغيرها، مما يسمح بتقييم شامل لسياسات الروبوتات في بيئات ديناميكية ومعقدة مع دعم تشغيل متوازٍ لتسريع العمليات. شهد نظام إدارة البيانات تحسينات جوهرية، بدءاً من دعم كاميرات الأعمق عملياً، وإضافة وسم لغوي تلقائي عبر نماذج الذكاء الاصطناعي البصري، وتقليل وقت تحميل البيانات بنسبة تصل إلى الضعف بفضل المعالجة المتوازية وضغط الإطارات. كما دعم الإصدار تدريب FSDP متعدد الرسائيات للتغلب على قيود الذاكرة، مع إمكانية تشغيل أوامر التدريب نفسها مباشرة على السحاب عبر خدمة HF Jobs باتباع نموذج الدفع حسب الاستخدام. من جانب النشر، استُبدلت الأدوات الفرعية سابقاً بواجهة سطر أوامر جديدة مخصصة للتشغيل الفعلي، تدعم جمع تصحيحات التدخل البشري بنمط DAgger لتحويل الأخطاء إلى بيانات تدريب جاهزة للضبط الدوري. أخيراً، شمل الإصدار تخفيض الاعتماديات بنسبة 40 في المئة، دعم أحدث إصدارات PyTorch، وتكامل أفضل مع أدوات التصور، مما يجعل البيئة أخف وأكثر استقراراً. يعكس هذا الإصدار التزام الإطار بتسريع تبني الذكاء الاصطناعي الروبوتي في الأوساط الأكاديمية والصناعية، مدعوماً بمساهمات واسعة من مجتمع المطورين والمؤسسات التقنية.