MIT 韩松团队推出了机器人智能体后训练项目 PEAR，直接用 Qwen3.8-27B 模型在单张 RTX5090 显卡上实现真实双臂机械臂控制，具身任务表现逼近 GPT-6 Astra，整套项目代码、模型权重、实验资料全部对外开源。现在主流的 GPT-6 Astra 这类闭源具身模型虽然能力强，但推理价格高、延迟大，很难直接放到本地工作站落地；而 PEAR 方案不需要额外真机示教数据，不用单独采集机器人操作样本，依靠 Qwen3.8-27B 本身的多模态、代码生成能力，自己编写视觉和控制代码，指挥机械臂完成画图、化学试剂测试等复杂桌面任务，硬件门槛降到单张消费级 RTX5090，本地就能跑，对普通研究者、开发者很友好。项目核心思路是把大模型当成机器人的本地编码智能体，看到画面之后自主拆解任务、写感知代码、输出机械臂动作指令，整套框架可以直接复现实验，也方便大家继续迭代优化机器人操控能力，这个方案也给低成本具身智能落地提供了一条可行路线。
PEAR 项目基础信息清单
- 项目名称：PEAR（Post-training Engine for Agentic Robotics）
- 负责团队：MIT 韩松团队
- 基础模型：Qwen3.8-27B（原生多模态 27B 稠密模型）
- 运行硬件：单张 RTX5090 显卡
- 硬件载体：真实双臂机械臂
- 开源内容：Github 代码、HuggingFace 模型权重、论文、实验博客
- 核心特点：零真机示教、自主写代码做视觉感知、本地推理、低成本
机械臂演示任务案例
- 图像临摹任务：输入梵高《星空》图片，机械臂在白板上画出对应线稿
- 化学测试任务：识别试剂瓶，自主挑选酚酞试剂完成碱性溶液检验
- 通用桌面操控：识别物体位置，自主调整夹爪姿态，完成抓取、摆放类任务
技术实现要点
- 推理方式：本地 FP8 量化推理，依托 vLLM 加速，在 RTX5090 上稳定运行
- 任务逻辑：Qwen3.8-27B 负责场景理解、任务规划、生成计算机视觉代码
- 控制链路：模型输出的代码直接解析画面，算出目标三维坐标，转换成机械臂运动指令
- 对比优势：对比 GPT-6 Astra，本地部署、无 API 调用成本，方便二次开发微调
【常见问题】
问题 1：韩松团队 PEAR 项目里 Qwen3.8-27B 在 RTX5090 操控机械臂，是不是完全追上 GPT-6 Astra？
回答 1：韩松团队 PEAR 项目中 Qwen3.8-27B 在 RTX5090 操控机械臂的效果逼近 GPT-6 Astra，部分桌面任务指标接近，但整体综合能力还没有完全追上，优势是本地开源、推理成本低很多。
问题 2：韩松团队 PEAR 项目 Qwen3.8-27B 操控机械臂，跑起来是不是必须 RTX5090 显卡？
回答 2：韩松团队 PEAR 项目 Qwen3.8-27B 操控机械臂的实验基准硬件是 RTX5090，低显存显卡需要做更高程度量化，容易出现速度下降、任务失败概率变高的情况，官方推荐使用 RTX5090。
问题 3：韩松团队 PEAR 项目 Qwen3.8-27B 机械臂开源包里面包含哪些内容？
回答 3：韩松团队 PEAR 项目 Qwen3.8-27B 机械臂开源包包含 Github 工程代码、HuggingFace 模型权重、论文文档、实验演示资料，开发者可以直接复现机械臂操控实验。
【参考资料】
[2026-11-15]（逼近 GPT-6 Astra！韩松团队让 Qwen3.8-27B 在 5090 上操作机械臂，现已开源）凤凰网科技
[2026-11-15]（MIT 韩松团队 PEAR 项目博客发布，Qwen3.8-27B 机器人操控实验）机器之心
[2026-11-13]（uni-robot-agent 具身智能框架评测，Qwen3.8 对比 GPT-6 Astra）搜狐科技
【免责声明】
本文仅为 AI 科研项目资讯整理，Qwen3.8-27B 搭配 RTX5090 操控机械臂的任务成功率、效果受显卡量化参数、机械臂硬件、环境光线影响；项目性能对比仅基于本次 PEAR 公开实验数据，不代表全部具身场景结论，项目后续迭代、评测结果以韩松团队官方仓库和论文更新为准，本文不构成技术采购或者项目落地建议。