LeRobot v0.6.0: Beleid op Basis van Wereldmodellen, Nieuwe VLA, Benchmarks en CLI voor Evaluatie

LeRobot v0.6.0 introduceert drie vreedzame modelbeleidsregels: VLA-JEPA (toekomstvoorspelling in latente ruimte zonder inferentiekosten), LingBot-VA (autoregressieve video- en actievoorspelling met de mogelijkheid om voorspelde video's op te slaan), FastWAM (videogenerator met 5 miljard parameters, waarbij 'dromen' tijdens inferentie wordt omzeild). De VLA-collectie is uitgebreid: GR00T N1.7 (NVIDIA, Cosmos-Reason2-2B met flow-matching), MolmoAct2 (Allen Institute for AI, ondersteuning voor volledige trainings- en implementatiecyclus, ~12 GB tijdens inferentie, 24 GB voor LoRA), EO-1 (Qwen2.5-VL-3B met flow-matching), Multitask DiT (450M parameters, geconditioneerd op CLIP), EVO1 (0,77 miljard parameters, InternVL3-1B). Er is een uniforme API geïntroduceerd voor beloningsmodellen: Robometer (Qwen3-VL-4B, voorgetraind algemeen model, evalueert voortgang en succes) en TOPReward (zero-shot-opstelling, gebruikt de log-kans van het 'True'-token). Zes nieuwe simulatiebenchmarks: LIBERO-plus (10.000 verstoorde varianten), RoboTwin 2.0 (50 taken op SAPIEN met domeinrandomisatie), RoboCasa365 (365 taken verspreid over 2.500 keukens), RoboCerebra (lange horizonten, 3–6 subdoelen), RoboMME (geheugentests), VLABench (kennis en redeneren). Alle benchmarks kunnen worden uitgevoerd via de uniforme CLI lerobot-eval. De CLI lerobot-rollout omvat strategieën: sentry (continu opnemen met rotatie), highlight (ringbuffer), episodic (klassieke opname) en dagger (menselijke correcties met interventievlag). In datasets: video-encodering met elke codec (inclusief hardware NVENC, VideoToolbox, VAAPI, QSV), ondersteuning voor diepte van Intel RealSense, automatische taalaantekening via VLM (lerobot-annotate), tot 2x snellere datalading door parallelle decodering en compacte uint8-frames. FSDP-training en cloudtraining op HF Jobs.