这次 LeRobot 更新里最不像"机器人新闻"的一条，是一个叫 lerobot-rollout 的部署工具：机器人干砸活的那一刻，你按下一个键，用手里的示教臂接管，系统会把这段"翻车现场"自动标好、存进下一轮训练的数据集。Hugging Face 把这个动作叫 DAgger，说白了就是失败不再被删除，而是被吃干抹净。v0.6.0 表面上是一次版本更新，骨子里在做一件更大的事：把机器人训练从"人工调半年参数"的手艺活，变成一套能自己转起来的流程。
一次更新，补上了四个断点
世界模型策略：VLA-JEPA、LingBot-VA、FastWAM 三个新策略，训练时都要"想象"未来的画面或动作，推理时再想办法把这份想象的成本压到最低甚至直接省掉。行业目前还没定论世界模型是否真的管用，这三个策略更像是拿来做实验、回答这个问题的工具，不是"世界模型已经赢了"的宣告。
奖励模型：Robometer 和 TOPReward 补上了机器人学习里最容易被忽略的一环——谁来判断任务做没做成。两者都靠视频加语言指令打分，前者是专门训练过的通用奖励模型，后者干脆直接问一个现成的视觉语言模型"这段轨迹算不算成功"，连专门训练都省了。这类零样本打分对任务类型、视频质量、模型本身的偏见都还敏感，能不能当标准答案用，得看具体场景。
统一评测：lerobot-eval 新增六个模拟基准，加上原有的三个，凑成九个基准家族，统一走一条命令行。不同实验室发的 VLA，现在有了一个公开、可复现、能互相比的擂台。
部署回路：lerobot-rollout 把部署单独做成一套 CLI，DAgger 策略让人工接管的瞬间自动打标签，直接变成下一轮微调的数据。训练、部署、纠错、再训练，第一次被拼进一个命令行能跑通的流程。
真正的看点，不是模型，是入口
这次更新还塞进了云端训练（HF Jobs 一键接入从 T4 到 8 张 H200 的算力）、FSDP 大模型分布式训练、深度传感器数据、VLM 自动标注、更快的数据加载，还有瘦身四成的安装包。单看每一条，都是工具链维护的份内事。摆在一起看，方向很清楚：降低门槛，把数据、训练、评测、部署整条链路都留在同一个生态里跑。
司马迁写"天下熙熙，皆为利来"，放在开源基础设施这门生意里同样成立。开源不是慈善，是抢入口最便宜的方式：早年 Transformers 抢的是 NLP 模型的入口，这次 LeRobot 想抢的是机器人学习整条链路的入口——数据集在 Hub 上，评测标准由 lerobot-eval 定，训练直接甩给 HF Jobs 算力，连奖励模型的打分接口都收进了自己的 API。谁掌握了"怎么算成功""怎么算学会"，谁就掌握了这个领域接下来怎么发论文、怎么做对比。
机器人学习争的不是谁更聪明，是谁定义聪明的标准。
这不完全是当年 Linux 发行版或 Android 那种平台垄断——机器人硬件、本体、场景太碎，没有一家能通吃。但基础设施这层不一样：数据格式、评测协议、训练脚本一旦被大多数实验室默认使用，替换成本会迅速变高。
- 风险.Robometer、TOPReward 这类零样本奖励模型目前更适合做训练辅助和数据质检，拿来当唯一的成功判据，容易被模型自身的偏见和任务分布带偏。
九个基准跑出来的分数，离真机器人在陌生厨房里端稳一杯水，中间还差着一整层现实世界的噪声。模型看着更热闹，能力却还没到能收判断的时候。回到那个按键接管的瞬间——机器人翻车不再是浪费，而是免费的训练素材，这条流程转起来的速度，可能比任何一个具体的世界模型策略，都更值得盯紧。