AWS y Hugging Face han publicado Strands Robots, un SDK Apache 2.0 que encadena recopilación de datos, entrenamiento de modelos y despliegue físico en un único bucle. El stack se basa en el formato de dataset de LeRobot, que respalda 90.000+ datasets de 8.000+ publishers en el Hub. Cualquier herramienta construida para datos de LeRobot puede consumir grabaciones de Strands sin conversión.

La abstracción central es una factory Robot() que resuelve un nombre a brazos, humanoides, bases móviles y manos. La misma factory registra demostraciones en simulación e implementa una política entrenada en hardware físico—cambiar entre modos requiere solo un argumento de palabra clave (mode="real"). Las cuatro etapas del pipeline—record, sync, stream, deploy—comparten un backend y formato únicos. No ocurre conversión entre etapas. Mover una política de la simulación SO-100 al brazo físico SO-101 no requiere cambios de código.

Los datos fluyen a través de Hugging Face Storage Buckets, un almacén de objetos mutable, sin versión y respaldado por Xet, anunciado en marzo de 2026. Los buckets utilizan el namespace hf:// junto con repositorios de datasets y son accesibles a través de hf CLI. Cada llamada de sincronización sube solo los bytes modificados desde la ejecución anterior. Durante el entrenamiento, el dataset se transmite frame-a-frame desde el Hub sin una descarga local completa. El vídeo de cámara se decodifica sobre la marcha usando torchcodec.

La ganancia de eficiencia es explícita. Un bucle ingenuo copia todo el dataset creciente a la memoria GPU antes de cada ejecución de entrenamiento y sube cada checkpoint nuevo mientras llegan grabaciones nuevas. En cadencia diaria, los costos de transferencia por byte se componen. La transmisión elimina la copia previa al entrenamiento; la sincronización incremental elimina cargas redundantes. El post no publica números de throughput de transmisión, por lo que los equipos con datasets grandes deben comparar su propia red y condiciones de almacenamiento antes de comprometerse.

Fuera del pipeline de datos, la capa de agent decide qué episodios mantener, cuándo el cambio de escena justifica re-grabación, si un batch es lo suficientemente grande para entrenar y qué checkpoint reemplaza la política actual del brazo. Strands expone estos como AgentTools componibles en un único agent. El modelo de razonamiento puede ser Amazon Bedrock, Anthropic, OpenAI o una instancia local de Ollama.

Requisitos: strands-robots[sim-mujoco,lerobot]>=0.5.1, que obtiene LeRobot >=0.6.1, datasets, av y torchcodec. El runtime necesita Python 3.12+, se ejecuta en Linux y macOS y es compatible con Apple Silicon a través de MuJoCo. Un notebook complementario en examples/notebooks/05_streaming_data_loop.ipynb ejecuta el bucle completo en una laptop sin hardware físico.

El stack aún no admite coordinación multi-robot, políticas de embodiment heterogéneas o versionado de datasets. Los storage buckets explícitamente no tienen versión. Los equipos que necesitan snapshots de entrenamiento reproducibles deben agregar versionado en capas o hacer push a un repositorio estándar en el momento del checkpoint. Este post es la parte dos de una serie; la parte uno cubrió la factory Robot() y el despliegue en una dirección, pero no la ruta de retorno de datos.

Para equipos de robotics ML que evalúan pipelines de aprendizaje continuo, esta arquitectura—un objeto recopilando y reproduciendo datos, un backend para las cuatro etapas, sincronización incremental en el almacenamiento—vale la pena probar contra configuraciones donde la transferencia de datos se maneja con scripts personalizados.