Rho
O VLA aberto de 5B da Microsoft, pré-adaptado a três robôs de dois braços comuns
Licença
MIT
Visão geral
Rho é uma família de modelos visão-linguagem-ação de pesos abertos para robôs de dois braços da Microsoft Research, lançada em setembro de 2026 sob a licença MIT. Cada modelo tem cerca de 5 bilhões de parâmetros: um modelo visão-linguagem de 4,68B da família Phi com treinamento extra em ancoragem física, ligado a um especialista de ação de 542M baseado em flow matching que gera cerca de um segundo de movimento do efetuador por vez. A ideia é adaptar em duas etapas. O Rho-base, pré-treinado em mais de 3.200 horas de dados de robôs majoritariamente de dois braços, passa primeiro por um treinamento intermediário (midtraining) com cerca de 300 horas de um robô específico. Os checkpoints publicados já fizeram isso para a I²RT YAM Box, o UR AI Trainer e o Franka FR3 Duo. O ajuste fino para uma tarefa precisa então de menos demonstrações. O código faz o ajuste fino com conjuntos de dados do LeRobot, avalia no LIBERO e no RoboEval e serve uma política por websocket. Todos os pesos e conjuntos de dados estão no Hugging Face, e o método é descrito no relatório técnico.
A maioria dos VLAs abertos é pré-treinada de forma ampla e depois ajustada direto para uma tarefa, então as demonstrações precisam ensinar o robô e a tarefa ao mesmo tempo. A premissa do Rho é aprender o robô primeiro. Entre o pré-treinamento e o ajuste fino há uma etapa de midtraining por plataforma: duas épocas sobre cerca de 280 a 300 horas de dados de um robô, em dezenas de famílias de tarefas. Ela não busca dominar nenhuma tarefa, só absorver as câmeras, a cinemática, o espaço de trabalho e as convenções de controle desse robô. Os autores publicam essa etapa já feita para três plataformas de dois braços muito usadas, de modo que um laboratório que tenha uma delas começa com um modelo que já conhece seu hardware.
As evidências vêm de comparações controladas, e não de um número de vitrine. No simulador RoboTwin 2.0, o modelo com midtraining atingiu o mesmo sucesso do Rho-base com metade das demonstrações de ajuste, com a maior diferença no menor orçamento de dados. Num FR3 Duo físico, as mesmas 150 demonstrações de inserção de plugue deram 60% de sucesso com o Rho-base, 76,7% após uma época de midtraining e 86,7% com o checkpoint publicado de duas épocas. No benchmark BusyBox da YAM Box, com cerca de 2.000 demonstrações, o Rho-YAM-Box ajustado chegou a 90% no total, empatado com o π0.5 e à frente do GR00T N1.7 e do MolmoAct2.
O lançamento inclui ainda uma etapa online. Uma pequena política latente dentro do modelo aprende com intervenções corretivas de uma pessoa enquanto todo o resto fica congelado. No relatório, 15 episódios corrigidos elevaram as configurações mais difíceis de montagem de tubos de ensaio no FR3 Duo de 30% para 70%. A interface de estado e ação é genérica: até 32 dimensões por passo, mascaradas quando não usadas. Assim, o mesmo modelo pode comandar controle por juntas ou pelo efetuador, deltas ou alvos absolutos, e um ou dois braços.
Por que importa
O caro em usar um VLA não é baixá-lo, e sim adaptá-lo ao seu robô e à sua tarefa, o que costuma exigir centenas de demonstrações por tarefa. O Rho transfere a parte desse custo específica do robô para um checkpoint publicado para três plataformas que muitos laboratórios já têm, sob a licença MIT. O relatório sustenta a afirmação com comparações controladas contra π0.5, GR00T N1.7 e MolmoAct2 em robôs físicos. E dá aos VLAs abertos uma quarta família séria, vinda de um grande laboratório, ao lado de OpenPI, GR00T e MolmoAct.
Problema que resolve
Ajustar um VLA genérico para uma tarefa nova obriga as demonstrações a ensinar o robô e a tarefa ao mesmo tempo. O Rho separa as duas coisas: o robô é aprendido uma vez, num checkpoint com midtraining publicado para três plataformas de dois braços, então o ajuste fino parte de um modelo que já conhece o hardware e precisa de menos demonstrações. Uma etapa online leve continua melhorando depois uma política implantada a partir de poucas correções humanas.
Pontos principais
- VLA de pesos abertos com 5B: um VLM de 4,68B da família Phi treinado em ancoragem física, mais um especialista de ação de 542M com flow matching
- O Rho-base é pré-treinado em mais de 3.200 horas de dados de robôs majoritariamente de dois braços e depois passa por midtraining para gerar variantes para YAM Box, UR AI Trainer e FR3 Duo
- No RoboTwin 2.0, o modelo com midtraining igualou o Rho-base com metade das demonstrações de ajuste
- O Rho-YAM-Box ajustado chegou a 90% no BusyBox, empatado com o π0.5 e à frente do GR00T N1.7 e do MolmoAct2
- A adaptação online com 15 episódios corrigidos elevou as configurações mais difíceis de tubos de ensaio no FR3 Duo de 30% para 70%
- Código, pesos e conjuntos de ajuste sob licença MIT; ajusta com conjuntos do LeRobot e serve por websocket
Para quem é
- Laboratórios com uma I²RT YAM Box, um UR AI Trainer ou um Franka FR3 Duo que querem uma política inicial pré-adaptada
- Equipes que comparam VLAs abertos em manipulação com dois braços e precisam de uma referência forte sob licença MIT
- Pesquisadores que estudam adaptação eficiente em dados, midtraining e aprendizado com correções humanas
- Usuários do LeRobot que querem ajustar um VLA de 5B com seus próprios conjuntos de dados
Limitações
- A mistura de pré-treinamento de 3.200 horas e os dados de midtraining por robô não foram publicados; só os checkpoints, o conjunto BusyBox e os dados de ajuste do LIBERO e do RoboEval
- Variantes pré-adaptadas existem só para três plataformas de dois braços; qualquer outro robô parte do Rho-base e precisa do próprio midtraining ou de mais dados de tarefa
- As comparações são dos próprios autores, em seus robôs e protocolos; a própria página do projeto diz que três plataformas e alguns benchmarks não comprovam desempenho geral
- Políticas de tarefa ainda exigem cerca de 100 a 300 demonstrações num robô físico; o midtraining reduz isso, não elimina
- Treinamento e inferência exigem GPU com CUDA e FlashAttention 2 compilado com um toolkit CUDA; o caminho via Docker precisa de cerca de 100 GB de espaço de build
- Lançado no fim de setembro de 2026, então ainda não há experiência de terceiros