LeRobot v0.7.0 bringt Sprachbefehle, Daten-Streaming, Remote-Inferenz und vier Weltaktionsmodelle; FSDP1 und W&B werden ersetzt, das alte Async-Modul entfernt zugunsten von Remote/Policy Server, Benchmarks von Autoren berichtet

Am 5. November 2026 veröffentlichte das LeRobot-Team auf Hugging Face „LeRobot v0.7.0: From Terabytes to Prompting Robots“, dazu eine GitHub-Release-Seite mit der Liste der inkompatiblen Änderungen. LeRobot ist eine offene Robotik-Bibliothek für Daten, Training und den Betrieb von Roboter-Policies. Die Version baut Installation, Training, Inferenz und die Hardwareschicht um und ist deshalb ebenso eine Upgrade-Warnung wie eine Funktionsliste. Alle Benchmark-Zahlen unten stammen vom Projekt oder von den Autoren der vorgelagerten Modelle; wir haben keine davon nachgemessen.

Das Hauptmerkmal ist Sprache im Regelkreis. Ist der interaktive Modus im Rollout-Werkzeug eingeschaltet, bleiben Roboterverbindung und Policy zwischen den Anweisungen geladen, und die Bedienperson tippt Befehle, während der Roboter sich bewegt: einen Befehl zum Wechsel der Teilaufgabe, einen, um die Policy zu fragen, was sie sieht, und einen, der ein Ziel vorgibt, sodass die Policy ihre Teilaufgaben selbst wählt, bis die Bedienperson wieder übernimmt. Die letzten beiden brauchen eine Policy, die Text erzeugt, etwa FineART-VLA oder Wall-OSS-0.5, oder einen externen Planer hinter einer OpenAI-kompatiblen API. FineART von Scale AI und Hugging Face ist ein Datensatz mit mehr als 40.000 beidarmigen Episoden (1.718 Stunden) und mehr als 533.000 Teilaufgaben-Annotationen, 1,9 TB im LeRobot-Format.

Auch der Datenpfad hat sich geändert. Der Streaming-Modus holt nur noch die Video-Byte-Bereiche, die das Training braucht, vom Hub oder aus einem Speicher-Bucket, besucht jedes Bild einmal pro Epoche und setzt deterministisch fort; das Team berichtet von 2,1- bis 2,5-fach mehr Samples pro Sekunde mit vier Daten-Lade-Workern. Auf LanceDB gestützte Datensätze lassen sich an Ort und Stelle lesen, mit globalem Mischen. Die Verlagerung der Bildaugmentierung auf die GPU soll ACT auf einer H100 2,8-mal und auf einer A100 3,3-mal schneller trainieren. Die Release-Hinweise nennen eine leise, aber wichtige Änderung: Mehrere Augmentierungen, darunter Bewegungsunschärfe, zufälliger Schatten und Gamma-Korrektur, waren auf uint8-Bildern bisher stille Nulloperationen und wirken jetzt tatsächlich; neu trainierte Policies können sich allein deshalb anders verhalten.

Das Training wurde für Weltaktionsmodelle mit 5 bis 20 Milliarden Parametern neu gebaut. FSDP1 wird durch FSDP2 und HSDP-Sharding mit verteilten Checkpoints ersetzt. Auf einem Knoten mit 8 H200-GPUs und einem FastWAM mit 6 Milliarden Parametern berichtet das Projekt von dreimal schnelleren Checkpoint-Speicherungen und einer Fortsetzungsspitze, die von 143 GB auf 42 GB pro GPU sinkt. Vier Weltaktionsmodelle und vier Vision-Language-Action-Modelle kommen hinzu. Die berichteten LIBERO-Ergebnisse liegen nahe an der Obergrenze: Cosmos 3 Nano (16,5 Milliarden Parameter) mit 97,90 % und Cosmos 3 Edge (4,6 Milliarden) mit 97,95 %, LaWAM mit 98,5 % (1.970 von 2.000 Episoden). Long-WAM erreicht im IDM-Modus 99,00 % und im COD-Modus 98,45 %, jeweils bei über 2.000 Episoden. LingBot-VLA 2.0 meldet 93,5 % auf RoboTwin 2.0 unter sauberen Bedingungen gegenüber 82,7 % für pi-0.5 im Original, und mit CUDA-Graphen und torch.compile dauert ein Aktionsblock auf einer RTX PRO 6000 in bf16 etwa 120 ms statt etwa 756 ms. Das Modell G0.5 steht unter einer nichtkommerziellen Community-Lizenz, nicht unter Apache 2.0.

Mit Remote-Inferenz kann ein Laptop oder Einplatinenrechner neben dem Roboter stehen, während eine GPU-Workstation die Policy ausführt. Kameras, Motoren und Aufzeichnung bleiben lokal, Beobachtungen gehen hinaus, und Aktionsblöcke kommen zurück; der Client richtet überlappende Blöcke aus und blendet sie ineinander, was die Inferenzlatenz verdeckt. Auch die Auswertung wird besser berichtet: Das Auswertungswerkzeug gibt nun Erfolgszahlen mit einem 95-%-Wilson-Konfidenzintervall aus, und der Beitrag nennt als Beispiel 9 von 10 Episoden als 90,0 % mit einem Intervall von 59,6 % bis 98,2 %. Dieses Intervall erinnert daran, dass wenige Zehntelpunkte auf einem fast gesättigten Benchmark kaum Information tragen.

Für bestehende Nutzer zählen die inkompatiblen Änderungen mehr als jede einzelne Funktion. Weights & Biases wird durch Trackio ersetzt, und die Kommandozeilenoptionen wechseln von wandb zu trackio. FSDP1 entfällt, und mit 0.6.x und früher gespeicherte FSDP-Checkpoints lassen sich nicht fortsetzen, ihre Gewichte laden aber weiterhin. Das Modul für asynchrone Inferenz und sein Installations-Extra werden zugunsten des remote-Extras entfernt. Wird nur die PEFT-Option angegeben, trainiert nun LoRA, während früher stillschweigend vollständig feinjustiert wurde. Unter Linux kommen torch und torchvision jetzt als CUDA-13-Builds von PyPI und verlangen einen NVIDIA-Treiber ab 580.65. Simulatormodule wurden verschoben, mehrere Umgebungsoptionen entfernt, und die Motorbusse für Feetech und Dynamixel wurden auf einer neuen seriellen Bibliothek neu geschrieben, wobei die alten Klassen nur als veraltete Aliase bleiben. Der Beitrag fügt Unterstützung für den I2RT-YAM-Arm, den reBot B601 und einen Unitree G1 mit 23 Freiheitsgraden hinzu und sagt, der Hub enthalte inzwischen fast 300 TB offener Physical-AI-Daten in diesem Format.

Unsere Einschätzung: Die Version ist ein großes, schnelles Upgrade, und vernünftig ist es, vor dem Anheben einer Abhängigkeit die Liste der inkompatiblen Änderungen zu lesen. Teams mit FSDP-Checkpoints, Weights-&-Biases-Dashboards oder Skripten für asynchrone Inferenz haben konkrete Migrationsarbeit. Die Modellergebnisse liegen nahe an der Obergrenze des Benchmarks, stammen von den Modellautoren und sagen wenig über die Leistung an einem neuen Roboter; beurteilen Sie die Modelle an Ihren eigenen Aufgaben. Die interaktiven und die Remote-Funktionen sind am ehesten früh auszuprobieren, weil sie verändern, wie ein Roboter im Alltag bedient wird.