Le cadre de développement open source LeRobot a lancé sa version 0.6.0, une mise à jour structurée pour accélérer et automatiser la boucle d'apprentissage des robots. Cette release introduit des politiques de type VLA, ou Vision-Language-Action, capables de prédire l'évolution de leur environnement avant d'exécuter une commande. Les modèles VLA-JEPA, LingBot-VA et FastWAM utilisent désormais des simulations internes pour anticiper les conséquences de leurs actions durant l'entraînement, tout en maintenant une latence d'inférence minimale. L'écosystème de modèles s'élargit avec l'intégration native de GR00T N1.7, MolmoAct2, EO-1, Multitask DiT et EVO1, offrant aux chercheurs une diversité de capacités et de tailles paramétriques. Pour évaluer les performances, LeRobot déploye une API unifiée dédiée aux modèles de récompense, incluant Robometer et TOPReward. Ces outils analysent des flux vidéo et des instructions textuelles afin de quantifier le succès et l'avancement des tâches, sans nécessiter de réentraînement sur mesure. Les ensembles de données bénéficient d'une refonte technique importante. Le framework prend désormais en charge les capteurs de profondeur, génère automatiquement des annotations linguistiques via des modèles de vision et permet un encodage vidéo personnalisable. Ces optimisations, couplées à un décodage parallélisé, multiplient par deux la vitesse de chargement des données. Parallèlement, l'outil d'évaluation centralise six benchmarks de simulation inédits, dont LIBERO-plus et RoboTwin 2.0, afin de mesurer la robustesse, la mémoire et le raisonnement physique des politiques robotiques. Le déploiement sur matériel réel est simplifié par un nouvel outil de diffusion qui intègre une méthode de correction humaine en temps réel. Lorsqu'un opérateur intervient pour guider le robot, le système enregistre automatiquement la correction et la transforme en données d'entraînement, facilitant les ajustements itératifs. Côté calcul, l'adoption du parallélisme FSDP permet de former des modèles plus volumineux sur plusieurs cartes graphiques, tandis qu'une intégration directe avec les services cloud Hugging Face Jobs rend l'entraînement accessible sans infrastructure locale. Enfin, le paquet a été allégé de près de quarante pour cent, avec une gestion des dépendances modulaire et une compatibilité élargie vers les environnements Linux, macOS et Wayland. Cette version consolide LeRobot comme une plateforme centrale pour la robotique ouverte, en réduisant les barrières d'entrée et en fluidifiant l'ensemble du cycle de développement, de l'acquisition des données sensorielles jusqu'au déploiement autonome en environnement réel.