Hugging Face가 공개한 LeRobot v0.6.0의 부제는 “Imagine, Evaluate, Improve”다. 이번 업데이트를 가장 짧게 요약하면, 로봇이 행동하기 전에 미래를 예측하고, 실행 후에는 성공 여부를 평가하고, 실패한 장면은 다시 학습 데이터로 되돌리는 루프를 LeRobot 안에 더 분명히 넣은 릴리스다.
가장 먼저 보이는 변화는 world model policy다. VLA-JEPA는 Qwen3-VL-2B 기반의 compact VLA가 latent space에서 미래 프레임을 예측하도록 학습한다. 다만 추론 때는 world model을 제거해 추가 비용을 줄인다. LingBot-VA는 future video와 action을 chunk 단위로 함께 예측하고, 모델이 상상한 영상을 저장해 실제 결과와 비교할 수 있게 한다. FastWAM은 약 5B video-generation expert와 작은 action expert를 한 네트워크 안에 묶고, 추론 시에는 상상 단계를 건너뛰어 action chunk를 바로 denoise한다.
평가 쪽도 강화됐다. LeRobot v0.6.0은 lerobot.rewards라는 reward model API를 제공하며, Robometer와 TOPReward를 포함한다. Robometer는 Qwen3-VL-4B 기반으로 raw video와 language instruction을 보고 task progress와 success를 점수화한다. 학습에는 백만 개가 넘는 robot trajectory 비교 데이터가 쓰였다. TOPReward는 별도 reward weight 없이 VLM이 “True” 토큰에 부여하는 log-probability를 reward처럼 사용하는 방식이다.
배포와 평가도 별도 축으로 정리됐다. lerobot-rollout CLI는 실제 로봇 deployment를 위한 진입점이 되고, DAgger 스타일 human-in-the-loop correction으로 실패를 다시 데이터로 회수하는 흐름을 지원한다. lerobot-eval은 여섯 개 simulation benchmark를 한 CLI 아래 묶어 모델 비교의 반복 비용을 줄이려 한다.
이번 릴리스에는 GR00T N1.7, MolmoAct2, EO-1, EVO1, Multitask DiT 같은 VLA 추가도 포함된다. 하지만 더 중요한 변화는 모델 목록 자체보다 구조다. LeRobot은 이제 정책 모델을 모아두는 저장소를 넘어, 상상·평가·개선이 연결된 로봇 학습 작업대로 이동하고 있다. 실제 로봇 개발에서 중요한 건 한 번의 멋진 데모가 아니라 실패를 얼마나 빨리 관찰하고, 점수화하고, 다음 학습으로 되돌릴 수 있느냐다. v0.6.0은 그 반복 과정을 코드와 CLI, API 수준으로 끌어올린 업데이트다.