RoboHarness : un simple harnais surpasse les modèles VLA et les modèles d'action du monde

Des chercheurs publient sur arXiv (identifiant 2610.14018, deuxième version) RoboHarness, un « harnais » robotique qui donne à un agent LLM de codage un panneau de contrôle visuo-géométrique. Grâce à lui, l'agent comprend les tâches d'manipulation embarquée et les déclenche directement, sans entraîner de modèle à produire des actions. Selon les auteurs, Qwen3.8-Flash-Next, piloté via ce harnais, dépasse les modèles VLA (vision-language-action) de l'état de l'art sur les tâches du BEHAVIOR Challenge 2025. Le résumé ne chiffre ni les scores, ni les taux de réussite, ni les temps de cycle, ni la plateforme matérielle. Le code est publié en open source. Il s'agit d'un préprint, sans validation par les pairs à ce stade.

L'approche remet en cause l'orthodoxie dominante, qui consiste à collecter à grande échelle des données d'actions et de démonstrations vidéo, puis à greffer une tête d'action sur un LLM. Si le résultat se confirme, une partie de la valeur se déplacerait de l'entraînement de politiques coûteuses vers l'ingénierie de la couche d'interface entre un LLM généraliste et le robot. Cela réduirait la dépendance aux jeux de données propriétaires, ce qui intéresserait les intégrateurs qui n'ont ni flotte de téléopération ni budget de calcul comparable à ceux des grands laboratoires. Plusieurs réserves s'imposent toutefois. Le titre met aussi en avant les « world action models » mais le résumé ne détaille pas la comparaison. Les benchmarks de type BEHAVIOR reposent sur des tâches domestiques longues évaluées avant tout en simulation, et rien n'indique ici de transfert au monde réel. La latence d'un agent de codage en boucle, sa fiabilité et son coût d'inférence ne sont pas non plus documentés dans le texte disponible.

Cette proposition s'inscrit dans le mouvement qui a fait émerger les VLA : Pi-0 de Physical Intelligence, GR00T de Nvidia ou Helix de Figure ont montré qu'un modèle unique pouvait enchaîner perception et action. En parallèle, les approches « agent plus outils », où le LLM planifie et appelle des primitives de perception et de contrôle, restent moins systématiquement évaluées sur des benchmarks standardisés. Le choix d'un modèle « Flash », plutôt qu'un modèle de pointe, suggère un argument de coût, à vérifier. La suite dépendra de la reproduction indépendante des résultats grâce au code ouvert, d'éventuelles évaluations sur robots physiques et de la capacité du harnais à passer d'un robot à l'autre. Aucun acteur français ou européen n'est cité dans ce travail.