Hugging Face、ロボット学習基盤「LeRobot v0.7.0」を公開　対話操作と大規模データ学習に対応

何が起きたか

Hugging Faceは2026年11月5日、ロボット学習基盤「LeRobot v0.7.0」を公開した。LeRobot HubにはLeRobot形式のオープンなPhysical AIデータが約300TBあり、データを事前にダウンロードせずに学習できる。稼働中のロボットに対するサブタスク変更、視覚情報への質問、目標に基づく自律的なサブタスク選択にも対応する。

詳細

データはHub、Storage Bucket、LanceDBから読み込める。標準データセットのストリーミングでは必要な動画データ範囲だけを取得し、4つのDataLoaderワーカーを使う場合、毎秒のサンプル数は2.1〜2.5倍になるとHugging Faceは説明する。画像変換をGPUに移す機能では、ACTの学習速度がH100で2.8倍、A100で3.3倍になったとしている。 大規模モデル向けにFSDP2、HSDP、分散チェックポイントなどを導入した。Hugging Faceによると、8×H200ノード上で6BのFastWAMを使った場合、分散チェックポイントの保存は3倍速くなり、再開時のピークメモリーはGPU当たり143GBから42GBに低下した。追加モデルの一つ、NVIDIAのCosmos 3はNano（16.5Bパラメーター）とEdge（4.6B）の2種類で、LIBEROにおける平均成功率はそれぞれ97.90%、97.95%とされる。FineARTデータセットは40k超の両手操作エピソード、1,718時間、533k超のサブタスク注釈で構成され、LeRobot形式で1.9TBとなる。

Key Facts

本紙の見方

約300TBのデータを保管するHub、ダウンロードなしのデータ読み込み、分散学習、稼働中のロボットへの指示という接続が、今回の更新の軸だ。モデルの追加だけでなく、データを学習設備へ運ぶ負担と、大規模モデルの計算・メモリー制約を同じ基盤の機能として扱っている。公開データを持つだけでは学習に使えるとは限らず、ストレージから必要な動画範囲を読み込む仕組みや、分散チェックポイントの再開性能が実用上の要件になるとみられる。 言語をロボット学習に取り込む流れは、前版からの延長でもある。Hugging Faceの説明では、v0.6.0はデータセットに言語注釈を保存できるようにし、v0.7.0はそれを学習と実行時の対話に広げた。今回の対話機能では、動作を止めずに指示を変えたり、ロボットが見ているものを尋ねたりできる。一方、質問や自律的な目標遂行には、テキストを生成するポリシーか外部プランナーが必要だ。自然言語で操作できることと、任意のポリシーがその機能を備えることは区別すべきである。 計算面では、world action modelが5〜20Bのパラメーターを持ち、サンプル当たりの動画トークンも多いため、標準的なデータ並列ではメモリーに収まらない場合があるとHugging Faceは説明する。FSDP2やHSDP、分散チェックポイントを整えたのは、モデルの規模を上げるだけでなく、複数GPUで学習を継続・再開する運用を支える変更と読める。AIのメモリー制約を扱ったNVIDIA、AIのメモリー制約に対応するフルスタック設計を解説（2026年11月5日）とも論点は接するが、LeRobotの発表はGPUメモリー容量を増やす製品ではなく、学習処理の分割やデータの読み込みを扱う。 データを収集・注釈し、学習し、ロボット上で実行し、実行中のエピソードを記録する構成は、データとポリシーを一つの開発経路に置く。ただし、記録したエピソードがどのような審査や加工を経て再学習に使われるか、運用時の安全性をどう検証するかは、示された情報だけでは分からない。次に見るべきなのは、各モデルの実機での稼働条件、データの品質管理、遠隔推論時の通信要件である。

なぜ重要か

Hugging Faceの発表では、学習データのストリーミング、大規模モデル向けの分散学習、ロボット稼働中の指示変更を一つのLeRobot基盤で扱う。ロボット開発者にとって、データを学習設備へ複製する負担や、大規模モデルを複数GPUで扱う際の運用が、モデル選択と並ぶ実装上の論点となる。