허깅페이스가 2026년 7월 7일 공개한 로봇 학습 프레임워크 르로봇(LeRobot) v0.6.0은 미래 상태를 예측하는 세계 모델, 작업 성공을 채점하는 보상 모델, 통합 시뮬레이션 벤치마크 6종, 실물 배포 도구를 하나로 묶어 '상상·평가·개선(Imagine, Evaluate, Improve)'이라는 학습 루프를 닫는다. 보상 모델 로보미터(Robometer-4B)는 100만 개가 넘는 로봇 궤적으로 사전학습됐고, 데이터 로딩은 병렬 디코딩으로 최대 약 2배 빨라졌으며, 기본 의존성 설치 용량은 약 40퍼센트 가벼워졌다. 이 글은 허깅페이스 공식 발표의 1차 사실만을 기준으로 이번 버전이 겨눈 문제와 그 무게를 함께 짚는다.

상상, 평가, 개선의 세 단계로 나뉜다

르로봇 v0.6.0의 뼈대는 로봇이 스스로 학습을 이어가도록 만든 세 단계 루프다. '상상' 단계에서는 세 종류의 세계 모델이 학습 중 미래 상태를 예측한다. Qwen3-VL-2B 기반의 가벼운 VLA-JEPA는 잠재 공간의 미래를 예측하고 추론 시점에는 사라지며, 링봇(LingBot-VA)은 미래 프레임을 조각 단위로 생성하는 자기회귀 비디오-행동 모델이고, 패스트왐(FastWAM)은 약 50억 파라미터 규모의 비디오 생성 모델에 작은 행동 전문가를 붙여 테스트 시점의 예측 부담을 덜었다. '평가' 단계는 보상 모델이 맡는다. 로보미터(Robometer-4B)는 영상과 언어를 입력받아 작업 진행도를 채점하는 범용 모델이고, 톱리워드(TOPReward)는 비전-언어 모델의 토큰 확률을 읽어내는 제로샷 방식이다. '개선' 단계에서는 lerobot-rollout 명령이 데이터 수집 전략인 대거(DAgger)로 사람의 교정을 태그해 새 데이터셋을 만든다.

새로 들어온 정책 모델과 벤치마크

이번 버전은 최신 정책 모델과 평가 환경을 대거 흡수했다. 새로 추가된 비전-언어-행동 모델(VLA)에는 엔비디아의 업그레이드판 GR00T N1.7, 앨런 인공지능연구소의 몰모액트2(MolmoAct2), Qwen2.5-VL-3B를 뼈대로 삼은 EO-1, 약 4억 5천만 파라미터의 멀티태스크 DiT, 7천 7백만 파라미터의 EVO1이 포함된다. 시뮬레이션 벤치마크는 리베로플러스(LIBERO-plus), 로보트윈 2.0(RoboTwin 2.0), 로보카사365(RoboCasa365), 로보세레브라(RoboCerebra), 로보MME(RoboMME), VLA벤치(VLABench) 여섯 종이 lerobot-eval 명령 하나로 통합됐다. 데이터셋 쪽에서는 12비트 영상 스트림으로 깊이 정보를 끝단까지 지원하고, VLM이 언어 주석을 자동으로 달아주며, 병렬 디코딩으로 로딩 속도를 최대 약 2배 끌어올렸다. 학습 인프라도 액셀러레이트(Accelerate)를 통한 FSDP 다중 GPU 학습과 허깅페이스 잡스(Hugging Face Jobs) 기반 클라우드 학습을 새로 얹었다.

흩어진 정책이 아니라 루프를 판다는 전환

르로봇 v0.6.0이 의미 있는 지점은 개별 모델의 성능 수치가 아니라 문제를 묶는 방식에 있다. 그동안 로봇 학습 연구는 더 나은 정책 모델 하나를 만드는 데 힘을 쏟았고, 그 모델을 학습시키고 채점하고 현장에 배포하는 일은 저마다 다른 도구와 코드로 흩어져 있었다. 이번 버전은 세계 모델로 미래를 상상하고, 보상 모델로 성공을 평가하고, 사람의 교정으로 개선하는 과정을 하나의 파이프라인으로 잇는다. 성능을 끌어올리는 축을 '더 큰 모델'에서 '끊기지 않는 루프'로 옮겼다는 점이 이 설계의 핵심이다. 실제 로봇 학습에서 병목은 종종 모델 자체가 아니라 학습 결과를 실물에서 검증하고 다시 데이터로 되먹이는 연결 고리의 부재였는데, 통합 프레임워크는 바로 그 고리를 겨눈다.

오픈소스가 독점 로봇 스택을 따라잡는 방식

이 발표를 읽는 또 하나의 각도는 오픈소스 로봇 도구가 굳어지는 흐름이다. 세계 모델, 보상 모델, 벤치마크, 배포 도구는 그동안 대형 로봇 기업이 각자 사내에 쌓아둔 독점 자산에 가까웠고, 외부 연구자가 같은 수준의 통합 스택에 접근하기는 어려웠다. 르로봇 v0.6.0은 이 구성 요소들을 하나의 공개 프레임워크로 묶어 진입 장벽을 낮춘다. 기본 의존성 설치 용량을 약 40퍼센트 줄이고 클라우드 학습 경로를 연 점은 값비싼 사내 인프라 없이도 루프를 돌릴 수 있게 한다는 신호다. 대규모 로봇 데이터 인프라를 갖추기 어려운 국내 연구실이나 중소 로봇 기업에게는 상용 스택과의 격차를 좁힐 실무적 여지가 넓어진다. 다만 프레임워크가 열렸다는 사실이 곧바로 현장 성능을 보장하지는 않으며, 어떤 정책 모델과 데이터를 얹느냐는 여전히 각자의 몫으로 남는다.

남는 질문은 벤치마크와 현장 사이에 있다

르로봇 v0.6.0은 학습 루프를 도구 수준에서 정돈했지만, 열린 질문도 분명하다. 여섯 종의 시뮬레이션 벤치마크는 평가를 표준화하는 데 도움이 되지만, 시뮬레이션에서의 우위가 실물 로봇에서 그대로 재현된다는 보장은 로봇 연구에서 늘 조심스러운 대목이다. 세계 모델이 상상한 미래가 실제 물리 환경과 얼마나 어긋나는지, 보상 모델의 채점이 사람의 판단과 얼마나 일치하는지는 작업마다 별도로 확인해야 할 문제다. 허깅페이스 발표는 구성 요소와 기능을 나열하지만, 이 통합 루프가 특정 작업군을 넘어 얼마나 넓게 성립하는지는 앞으로의 검증이 답할 몫이다. 그럼에도 학습과 평가와 배포를 끊기지 않는 하나의 흐름으로 묶으려는 방향은, 로봇 학습의 작업 방식 자체를 바꾸려는 시도로서 분명한 의미를 지닌다.

참고: Hugging Face Blog · LeRobot v0.6.0