Open Source Robotics

Una colección curada de proyectos, herramientas y software de robótica de código abierto de alta calidad.

Rho

El VLA abierto de 5B de Microsoft, preadaptado a tres robots de dos brazos comunes

Licencia

MIT

Resumen

Rho es una familia de modelos visión-lenguaje-acción de pesos abiertos para robots de dos brazos de Microsoft Research, publicada en septiembre de 2026 con licencia MIT. Cada modelo tiene unos 5.000 millones de parámetros: un modelo visión-lenguaje de 4,68B de la familia Phi con entrenamiento adicional en anclaje físico, unido a un experto de acción de 542M basado en flow matching que genera aproximadamente un segundo de movimiento del efector final cada vez. La idea es adaptar en dos pasos. Rho-base, preentrenado con más de 3.200 horas de datos de robots mayoritariamente de dos brazos, se somete primero a un entrenamiento intermedio (midtraining) con unas 300 horas de un robot concreto. Los checkpoints publicados ya lo han hecho para la I²RT YAM Box, el UR AI Trainer y el Franka FR3 Duo. El ajuste fino a una tarea necesita entonces menos demostraciones. El código hace el ajuste fino con conjuntos de datos de LeRobot, evalúa en LIBERO y RoboEval, y sirve una política mediante un websocket. Todos los pesos y conjuntos de datos están en Hugging Face, y el método se describe en el informe técnico.

La mayoría de los VLA abiertos se preentrenan de forma amplia y luego se ajustan directamente a una tarea, de modo que las demostraciones tienen que enseñar el robot y la tarea a la vez. La premisa de Rho es aprender primero el robot. Entre el preentrenamiento y el ajuste fino hay una etapa de midtraining por plataforma: dos épocas sobre unas 280 a 300 horas de datos de un robot en decenas de familias de tareas. No busca dominar ninguna tarea, solo absorber las cámaras, la cinemática, el espacio de trabajo y las convenciones de control de ese robot. Los autores publican esa etapa ya hecha para tres plataformas de dos brazos muy extendidas, así que un laboratorio que tenga una parte de un modelo que ya conoce su hardware.

Las pruebas vienen de comparaciones controladas, no de una cifra llamativa. En el simulador RoboTwin 2.0, el modelo con midtraining alcanzó el mismo éxito que Rho-base con la mitad de demostraciones de ajuste, con la mayor diferencia en el presupuesto de datos más pequeño. En un FR3 Duo físico, las mismas 150 demostraciones de inserción de enchufe dieron un 60 % de éxito con Rho-base, un 76,7 % tras una época de midtraining y un 86,7 % con el checkpoint publicado de dos épocas. En el benchmark BusyBox de la YAM Box, con unas 2.000 demostraciones, Rho-YAM-Box ajustado alcanzó un 90 % global, empatado con π0.5 y por delante de GR00T N1.7 y MolmoAct2.

La publicación incluye también una etapa en línea. Una pequeña política latente dentro del modelo aprende de las intervenciones correctivas de una persona mientras todo lo demás permanece congelado. En el informe, 15 episodios corregidos elevaron las configuraciones más difíciles de montaje de tubos de ensayo en el FR3 Duo del 30 % al 70 %. La interfaz de estado y acción es genérica: hasta 32 dimensiones por paso, enmascaradas cuando no se usan. Así, el mismo modelo puede manejar control articular o de efector, deltas u objetivos absolutos, y uno o dos brazos.

Por qué importa

Lo caro de usar un VLA no es descargarlo sino adaptarlo a tu robot y tu tarea, lo que suele suponer cientos de demostraciones por tarea. Rho traslada la parte de ese coste propia del robot a un checkpoint publicado para tres plataformas que muchos laboratorios ya tienen, con licencia MIT. El informe respalda la afirmación con comparaciones controladas frente a π0.5, GR00T N1.7 y MolmoAct2 en robots físicos. También da a los VLA abiertos una cuarta familia seria, de un gran laboratorio, junto a OpenPI, GR00T y MolmoAct.

Qué problema resuelve

Ajustar un VLA general a una tarea nueva obliga a las demostraciones a enseñar a la vez el robot y la tarea. Rho separa ambas cosas: el robot se aprende una vez, en un checkpoint con midtraining publicado para tres plataformas de dos brazos, de modo que el ajuste fino parte de un modelo que ya conoce el hardware y necesita menos demostraciones. Una etapa en línea ligera sigue mejorando después una política desplegada a partir de unas pocas correcciones humanas.

Puntos clave

  • VLA de pesos abiertos de 5B: un VLM de 4,68B de la familia Phi entrenado en anclaje físico, más un experto de acción de 542M con flow matching
  • Rho-base se preentrena con más de 3.200 horas de datos de robots mayoritariamente de dos brazos y luego se convierte, con midtraining, en variantes para YAM Box, UR AI Trainer y FR3 Duo
  • En RoboTwin 2.0, el modelo con midtraining igualó a Rho-base con la mitad de demostraciones de ajuste
  • Rho-YAM-Box ajustado alcanzó un 90 % en BusyBox, empatado con π0.5 y por delante de GR00T N1.7 y MolmoAct2
  • La adaptación en línea con 15 episodios corregidos elevó las configuraciones más difíciles de tubos de ensayo en el FR3 Duo del 30 % al 70 %
  • Código, pesos y conjuntos de ajuste con licencia MIT; ajusta con conjuntos de LeRobot y sirve mediante websocket

Para quién es

  • Laboratorios con una I²RT YAM Box, un UR AI Trainer o un Franka FR3 Duo que quieren una política inicial preadaptada
  • Equipos que comparan VLA abiertos en manipulación con dos brazos y necesitan una referencia sólida con licencia MIT
  • Investigadores que estudian la adaptación eficiente en datos, el midtraining y el aprendizaje a partir de correcciones humanas
  • Usuarios de LeRobot que quieren ajustar un VLA de 5B con sus propios conjuntos de datos

Limitaciones

  • La mezcla de preentrenamiento de 3.200 horas y los datos de midtraining por robot no se publican; solo los checkpoints, el conjunto BusyBox y los datos de ajuste de LIBERO y RoboEval
  • Solo hay variantes preadaptadas para tres plataformas de dos brazos; cualquier otro robot parte de Rho-base y necesita su propio midtraining o más datos de tarea
  • Las comparaciones son de los propios autores, en sus robots y protocolos; la página del proyecto reconoce que tres plataformas y unos pocos benchmarks no demuestran un rendimiento general
  • Las políticas de tarea siguen necesitando unas 100 a 300 demostraciones en un robot físico; el midtraining lo reduce, no lo elimina
  • El entrenamiento y la inferencia requieren una GPU con CUDA y FlashAttention 2 compilado con un kit de herramientas de CUDA; la vía Docker necesita unos 100 GB de espacio de construcción
  • Publicado a finales de septiembre de 2026, así que aún no hay experiencia externa

Este sitio web requiere JavaScript. Por favor, habilite JavaScript para explorar nuestros proyectos de robótica.