Familia de modelos visión-lenguaje-acción (VLA) de Microsoft Research para manipulación con dos brazos, publicada con versiones ya adaptadas a robots concretos.
Incluye ya hecha la costosa adaptación a cada robot, de modo que basta con pocos datos para enseñarle tareas nuevas, y el robot sigue mejorando con unas pocas correcciones humanas.
Pesos abiertos con licencia MIT en Hugging Face: Rho-base y tres variantes adaptadas a robots concretos (Rho-YAM-Box, Rho-UR-AI-Trainer y Rho-FR3-Duo). Código y recetas de ajuste fino en GitHub.
5.000 millones de parámetros: base visión-lenguaje de la familia Phi más un experto de acciones continuo; preentrenado con más de 3.200 horas de datos.
