開源中介層讓通用模型無需改權重即可控制機器人
來自清華大學與加州大學柏克萊分校的 Qwen 開發者團隊近期建置了 uni-robot-agent，這是一個將通用大型語言模型連接至機器人系統的開源中介層。該工具旨在作為 Robot-Use Agents (RUAs) 訓練與本地部署的第一步。
透過這個中介層，Qwen3.8-Flash-Next 能夠在不改變模型權重的情況下，利用工具呼叫機制與物理世界進行互動。這意味著開發者無需對基礎模型進行專門的微調或重新訓練，即可讓其具備操作實體機器人的能力。
真實世界任務表現超越閉源系統與微調模型
根據團隊發布的數據，Qwen3.8-Flash-Next 在搭配 uni-robot-agent 後，達到了先前報告中某些閉源機器人代理系統的效能水準。在 19 項真實世界的機器人操作任務測試中，未經任何機器人特定微調的 Qwen 模型取得了略高於經過微調的 π₀.₅ 模型的成績。
具體而言，Qwen3.8-Flash-Next 在真實世界任務中的得分比經過微調的 π0.5 高出 5.75 分，並比零樣本（zero-shot）的 Dream-1 模型高出 10 個點數。
模擬環境分數大幅提升且成本顯著低於 GPT-6 Astra
研究人員 Yuxin Zuo 指出，在本地端運行 Qwen3.8-Flash-Next 並搭配 uni-robot-agent 進行測試時，模型在特定模擬基準（原文標記為 'On s'，具體名稱未詳）上的分數從 1.90 大幅上升至 31.39。這個成績超越了 RoboDojo Team 使用 GPT-6 Astra 所取得的分數。
在成本方面，Qwen3.8-Flash-Next 透過此架構執行任務的平均 API 成本為每任務 1.09 美元。相比之下，GPT-6 Astra 的對應成本為每任務 21.29 美元。
