TWITTER · 人工智能
uni-robot-agent 开源框架提升开源模型机器人操作能力
作者详细介绍了清华大学和伯克利大学合作开源的 uni-robot-agent 框架。该框架通过五层架构（Agent 层、编排层、工具层、服务层、后端层）实现了统一的机器人操作接口。实验显示，Qwen3.8-Flash-Next 在 RoboDojo 上的得分从 1.90 提升至 31.39，GPT-6 Astra 在真实机器人任务上得分达 80.50。作者分析了模型在机器人操作中的表现差异及核心能力 factors，包括模型尺寸、代际、四类常见错误类型等。
- uni-robot-agent 框架通过五层架构实现机器人操作的统一化
框架设计包含 Agent 层负责模型交互，编排层调度请求，工具层提供运动感知操作，服务层管理资源，后端层对接仿真器真机。不同机器人和环境只需写一个适配器，交互记录可统一处理，支持仿真与真机数据共享。
- 开源模型在框架下显著提升机器人操作能力
Qwen3.8-Flash-Next 在 RoboDojo 上得分从 1.90 升至 31.39，超越了 RoboDojo 团队使用 GPT-6 Astra 的 21.01 分；真实机器人任务中，Astra 获得 80.50 分，Qwen 获得 53.50 分，验证了框架对模型性能的放大作用。
- 模型尺寸和代际对机器人操作能力关键影响
Qwen3.5 到 3.7 版本成功率为 0，3.8-27B 版本达 8.06%；GPT 系列从 5.6 Sol 起就能完成任务。作者认为训练数据的变化可能比参数量更关键，指出了模型在视觉理解、坐标计算和物理操作上的不同弱点。
uni-robot-agent 开源框架提升开源模型机器人操作能力
作者详细介绍了清华大学和伯克利大学合作开源的 uni-robot-agent 框架。该框架通过五层架构（Agent 层、编排层、工具层、服务层、后端层）实现了统一的机器人操作接口。实验显示，Qwen3.8-Flash-Next 在 RoboDojo 上的得分从 1.90 提升至 31.39，GPT-6 Astra 在真实机器人任务上得分达 80.50。作者分析了模型在机器人操作中的表现差异及核心能力 factors，包括模型尺寸、代际、四类常见错误类型等。
文章金句
"Qwen3.8-Flash-Next：31.39 分，成功率 25.00%；加上深度后为 35.89 分。
"GPT-6 Astra：用 uni-robot-agent 是 51.90 分，再加深度是 56.76 分。
"Astra 拿到 80.50 分，其中组合泛化一项拿满 20 分。