LeRobot v0.7.0 공개: 언어 명령, 데이터 스트리밍, 원격 추론, 월드 액션 모델 4종; FSDP1과 W&B는 교체, 이전 비동기 모듈은 제거하고 remote/policy server로 이전, 벤치마크는 저자 보고

2026년 11월 5일 LeRobot 팀은 Hugging Face에 「LeRobot v0.7.0: From Terabytes to Prompting Robots」를 공개했고, GitHub 릴리스 페이지에는 호환성을 깨는 변경 사항이 나열돼 있습니다. LeRobot은 데이터, 학습, 로봇 정책 실행을 위한 오픈 로보틱스 라이브러리입니다. 이번 릴리스는 설치, 학습, 추론, 하드웨어 계층을 다시 만들었으므로 기능 목록인 동시에 업그레이드 경고입니다. 아래의 벤치마크 수치는 모두 프로젝트 쪽 또는 상위 모델 저자가 보고한 것이며, 우리는 어느 것도 재현하지 않았습니다.

핵심 기능은 루프에 언어를 넣는 것입니다. 롤아웃 도구에서 대화형 모드를 켜면 로봇 연결과 정책이 지시 사이에도 로드된 채로 남고, 운영자는 로봇이 움직이는 동안 명령을 입력합니다. 하위 작업을 바꾸는 명령, 정책에게 무엇이 보이는지 묻는 명령, 목표를 주어 운영자가 제어를 되찾을 때까지 정책이 스스로 하위 작업을 고르게 하는 명령입니다. 뒤의 두 가지는 FineART-VLA나 Wall-OSS-0.5처럼 텍스트를 생성하는 정책, 또는 OpenAI 호환 API 뒤의 외부 플래너가 필요합니다. Scale AI와 Hugging Face의 FineART는 4만 개가 넘는 양팔 에피소드(1,718시간)에 53만 3천 개가 넘는 하위 작업 주석을 붙인 데이터셋이며 LeRobot 형식으로 1.9TB입니다.

데이터 경로도 바뀌었습니다. 스트리밍 모드는 이제 학습에 필요한 동영상 바이트 범위만 허브나 스토리지 버킷에서 가져오고, 에포크마다 각 프레임을 한 번씩 방문하며, 결정적으로 재개됩니다. 팀은 데이터 로더 워커 네 개에서 초당 샘플 수가 2.1~2.5배 늘었다고 보고합니다. LanceDB 기반 데이터셋은 그 자리에서 읽을 수 있고 전역 셔플도 됩니다. 이미지 증강을 GPU로 옮기면 ACT 학습이 H100에서 2.8배, A100에서 3.3배 빨라진다고 보고됩니다. 릴리스 노트에는 눈에 덜 띄지만 중요한 변경도 있습니다. 모션 블러, 무작위 그림자, 감마 보정 등 여러 증강은 이전에는 uint8 프레임에서 조용히 아무 일도 하지 않았지만 이제 실제로 적용되므로, 다시 학습한 정책은 이 이유만으로도 다르게 동작할 수 있습니다.

학습은 50억~200억 매개변수의 월드 액션 모델을 위해 다시 만들어졌습니다. FSDP1은 FSDP2와 HSDP 샤딩, 분산 체크포인트로 대체됩니다. H200 8개짜리 노드에서 60억 매개변수 FastWAM으로 프로젝트는 체크포인트 저장이 세 배 빨라지고 재개 시 최고치가 GPU당 143GB에서 42GB로 내려간다고 보고합니다. 월드 액션 모델 네 개와 시각-언어-행동 모델 네 개가 추가됐습니다. 보고된 LIBERO 결과는 상한에 가깝습니다. Cosmos 3 Nano(165억 매개변수)가 97.90%, Cosmos 3 Edge(46억)가 97.95%, LaWAM은 2,000 에피소드 중 1,970건 성공해 98.5%였습니다. Long-WAM은 IDM 모드에서 99.00%, COD 모드에서 98.45%였고 각 모드는 2,000 에피소드가 넘습니다. LingBot-VLA 2.0은 RoboTwin 2.0 깨끗한 조건에서 93.5%, 상위 비교 대상인 pi-0.5는 82.7%라고 보고하고, CUDA 그래프와 torch.compile로 RTX PRO 6000에서 bf16일 때 동작 청크 하나가 약 756밀리초에서 약 120밀리초로 줄어든다고 합니다. G0.5 모델은 Apache 2.0이 아니라 비상업 커뮤니티 라이선스로 공개됩니다.

원격 추론을 쓰면 노트북이나 싱글 보드 컴퓨터는 로봇 옆에 두고 GPU 워크스테이션이 정책을 실행하게 할 수 있습니다. 카메라, 모터, 기록은 로컬에 남고 관측이 나가며 동작 청크가 돌아옵니다. 클라이언트는 겹치는 청크를 정렬하고 섞어 추론 지연을 감춥니다. 평가 보고도 나아졌습니다. 평가 도구는 이제 성공 횟수를 95% 윌슨 신뢰구간과 함께 출력하며, 글은 10개 에피소드 중 9개 성공을 90.0%, 구간 59.6%~98.2%로 예시합니다. 이 구간은 거의 포화된 벤치마크에서 몇 십분의 일 포인트 차이는 정보가 거의 없음을 상기시킵니다.

기존 사용자에게는 어떤 개별 기능보다 호환성을 깨는 변경이 더 중요합니다. Weights & Biases는 Trackio로 대체되고 명령줄 옵션은 wandb에서 trackio로 바뀝니다. FSDP1은 사라지고, 0.6.x 이하로 저장한 FSDP 체크포인트는 재개할 수 없지만 가중치는 여전히 불러올 수 있습니다. 비동기 추론 모듈과 그 설치용 extra는 제거되고 remote extra로 대체됩니다. PEFT 옵션만 지정하면 이제 LoRA를 학습하는데, 이전에는 조용히 전체 미세 조정을 했습니다. 리눅스에서는 torch와 torchvision이 이제 PyPI의 CUDA 13 빌드로 설치되며 NVIDIA 드라이버 580.65 이상이 필요합니다. 시뮬레이터 모듈이 옮겨지고 여러 환경 옵션이 제거됐으며, Feetech와 Dynamixel 모터 버스는 새 직렬 라이브러리로 다시 쓰이고 예전 클래스는 지원 중단된 별칭으로만 남습니다. 글은 I2RT YAM 팔, reBot B601, 23자유도 Unitree G1 지원도 더했고, 허브에 이 형식의 개방형 피지컬 AI 데이터가 거의 300TB 있다고 말합니다.

우리의 판단입니다. 이번 릴리스는 크고 빠른 업그레이드이며, 의존성을 올리기 전에 호환성을 깨는 변경 목록을 읽는 것이 현명합니다. FSDP 체크포인트, Weights & Biases 대시보드, 비동기 추론 스크립트가 있는 팀에는 구체적인 이전 작업이 있습니다. 모델 결과는 벤치마크 상한에 가깝고 모델 저자가 낸 것이며 새 로봇에서의 성능은 거의 말해 주지 않으므로, 모델은 자신의 작업으로 평가하십시오. 대화형 및 원격 기능은 일상적인 로봇 조작 방식을 바꾸므로 가장 먼저 시험해 볼 만합니다.