核心价值：不换模型、不加真机数据，只换一套「机器人智能体底座」，同一个 Qwen 的 RoboDojo 得分从 1.90 直接涨到 31.39。
清华与 UC Berkeley 团队开源的 uni-robot-agent，把「大模型当机器人大脑」这件事从闭源 API 手里解放出来：一套统一工具接口，通吃仿真与真机，开源权重模型零样本就能干翻一众微调过的专用模型。

做具身智能的人都有一个痛点：想让机器人听懂「把红色积木叠到蓝色上面」这类自然语言，过去基本只能接 GPT 级闭源模型。模型权重拿不到、API 按调用烧钱、推理慢还没法做缓存优化，更别提拿机器人交互数据去训练自己的智能体。
uni-robot-agent 是清华与 UC Berkeley 团队 2026 年 11 月开源的「机器人使用智能体统一底座」（Robot-Use Agent Harness）。它不训练新模型，而是把模型与机器人之间的那一层——工具接口、调度、反馈、环境适配——重新做了一遍：统一、高效、真实、模块化。结果相当炸裂：同一个 Qwen3.8-Flash-Next，在 RoboDojo 基准上从原基线 1.90 分涨到 31.39 分，超过了论文里发表的 GPT-6 Astra + RoboProbe 的 28.97 分；在 19 项真机任务上零样本拿到 53.50 分，压过用每个任务 10 小时真机数据微调出来的 π0.5（47.75）。

核心定位：让开源权重模型「开箱即用」地操控机器人，并且把交互记录攒成可训练的数据资产。
配套资源很齐：官网、文档站、研究博客、arXiv 论文（2611.01560）、PyPI 包 uni-robot-agent 全都有，MIT 协议，277 星（截至 2026-11-08），建仓才 6 天但已经迭代到 v0.1.1。
✨ 核心功能一览
五层架构，每一层都可替换。 官方架构图把一次工具调用拆成：Agent 层（管模型与上下文）→ Orchestration 调度层 → Tool 层（Motion / Perception / Skills / Episode 共享接口）→ Service 层（管运行时资源）→ Backend 层（仿真器、真机、模型的原生实现）。想换模型、换工具、换机器人后端，都是换一个显式接口，不用推倒重来。

最狠的一条是「无特权输入」：只给 RGB 图像、相机标定、机器人本体感觉和任务说明，不给仿真深度、不给物体 CAD 模型、不给隐藏场景标注、更不给任务判定器反馈。 这逼着智能体像真机一样靠多视角三角测量自己算坐标——论文证明这样反而更接近现实部署，泛化性更好。
️ 快速上手：5 分钟跑通示例安装 / 注册需要一台 Linux + GPU 的机器（官方建议 Python 3.11 虚拟环境），两条命令装完：




pip install uni-robot-agent # 或 uv pip install uni-robot-agent
uni-robot-agent setup --integration robodojo跑一个任务配好视觉模型和兼容 Responses 协议的端点，直接下指令：




export UNI_ROBOT_AGENT_API_KEY='YOUR_API_KEY'
export UNI_ROBOT_AGENT_PROVIDER_URL='https：//provider.example/v1'

uni-robot-agent run --integration robodojo --deploy local \
--task stack_bowls --model YOUR_MODEL_ID \
--action-profile direct --no-sam3 --output-dir ./runs --monitor--monitor 会在本地起一个 Dashboard，直接看相机流、工具调用、耗时和任务结果，无需前端构建。
Python SDK（自己写策略）



from uni_robot_agent import AgentConfig, SessionConfig, run

result = run(SessionConfig(
integration="robodojo",
env_url="http：//127.0.0.1:18760",
no_sam3=True,
agent=AgentConfig(
model="YOUR_MODEL_ID",
provider_url="https：//provider.example/v1",
),
output_dir="runs",
))
print(result.agent_finished, result.task_success, result.session_dir)Session.tools 可以让你完全自定义策略，RunRecord 读回已保存的 episode，setup() / deploy() 把本地服务掌控权交给你。想试「代码即策略」的新玩法，加 --interaction-mode code_as_policy。
注意：--no-depth（论文 RGB-only 设置）才是不靠特权信息的可比配置；RoboDojo 默认开深度，想复现论文结果记得关掉。
与竞品对比
几个值得划重点的数字：
• 同一模型、不同底座：Qwen3.8-Flash-Next 配 RoboProbe 只有 1.90 分，配 GAP（融了 π0.5）21.01 分，换到 uni-robot-agent 直接 31.39 分 / 25% 成功率——+29.49 分，一分钱真机数据都没加。• 换开源模型也成立：DeepSeek-V4.1-Flash 用同一底座拿 27.11 分，说明这不是给 Qwen 量身定做的特例。• 真机更夸张：19 项双臂桌面任务里，Qwen 零样本 53.50 分，微调 π0.5 是 47.75，零样本 Dream-1 是 43.50；换成闭源 GPT-6 Astra 上限能到 80.50。• 论文还定位了四个瓶颈：视觉理解、空间定位、几何编码、具身推理——并发现它们与 ERQA / MMMU-Pro / LiveCodeBench 等通用能力高度相关（ERQA 相关系数 r=0.97），给后续训练指了路。 适用场景场景一：双臂仿真操作（RoboDojo）
功能说明：RoboDojo 覆盖 42 个任务、五个能力维度（泛化、精度、长程执行、记忆、开放词汇指令遵循），每配置 252 个 episode。智能体用共享的 Motion / Perception 工具，靠多视角图像三角测量定位物体，再一步步完成抓取、递送、叠放。
输入要求：RGB 图像 + 相机标定 + 机器人本体状态 + 一句自然语言任务描述。
输出效果：结构化的工具调用轨迹 + 每步执行回执 + 完整的成功率/得分记录，全部存进 ./runs，可回放。
适用场景：评测新模型「会不会用机器人」、给开源模型攒可训练的交互轨迹、做跨环境泛化实验。
场景二：真机双臂桌面任务
功能说明：论文在物理双臂机器人上跑了 19 项任务，从叠杯子、插试管、擦白板到汉诺塔，五个维度各 20 分。智能体加装 Intel RealSense D405 深度后零样本上机，没有针对任何一项做过任务微调。

输入要求：相机画面 + 任务指令；可选深度传感器。
输出效果：Qwen 53.50 / 100，其中「按颜色顺序排方块」「擦白板」等拿到满分；Astra 80.50，组合泛化 20/20。
适用场景：科研真机验证、双臂协调算法对照、低成本把大模型接到现有机械臂平台。



场景三：一套接口，多种本体

功能说明：不管是 Franka 单臂、ALOHA 双臂还是 YuMi 双臂，也不管背后是 RoboDojo / RoboUse / LIBERO / RoboTwin 2.0 / RoboLab 哪个仿真器，上层智能体看到的是同一组工具、同样的参数和单位。加一个新环境 = 写一个 adapter，而不是把所有工具重写一遍。

输入要求：为新环境实现一个 adapter，声明可用的臂、相机与能力。
输出效果：跨环境、跨本体的交互记录能用同一格式存下来，直接喂给后续的 agentic training。
适用场景：多机器人平台实验室、把仿真经验迁移到真机、构建统一训练数据管线。
用户群体总结• ✅ 具身智能研究者：想用开源权重模型做可复现、可训练的机器人智能体实验。• ✅ 机器人实验室 / 高校：多套仿真器和真机平台需要一套统一接口收敛工具链。• ✅ Agent / LLM 工程师：想把「模型调用工具」这套范式从屏幕搬到物理世界。• ❌ 不适合：想开箱即用接上自家实体机械臂的用户——官方明确写了真机集成（ARX One / Franka）「Coming soon」，公开包目前只有仿真 + 论文里的实验性真机流程；也不适合纯 Windows 无 GPU 环境。 定价方案完全免费，MIT 协议，代码、Skill 文档、Dashboard、提示词全在包里。你只需要自备模型端点的费用——但正因为支持开源权重模型 + 本地部署，这条成本可以从「按次烧闭源 API」压到「自己跑模型」，而且官方专门做了推理与机械臂执行并行的两级调度来省时间。
开源协议： MIT
总结uni-robot-agent 的价值不在「又一个机器人模型」，而在它证明了：把信息组织好、把工具做可靠，开源模型今天就能把机器人用起来——1.90 → 31.39 的那 29.49 分，全是底座的功劳。对做具身智能、Agent 工具链、或是想把大模型能力落到物理世界的人来说，这是一个 6 天内就冲到 277 星、带论文带博客带 Dashboard 的扎实起点。
推荐指数： ⭐⭐⭐⭐⭐（满分5星）
适合人群： 具身智能研究者、机器人实验室、Agent / LLM 工程师。
立即体验： uni-robot-agent 官网
GitHub 仓库： Open-RUA/uni-robot-agent
数据截至 2026-11-08，最新信息请以官网为准。