In diesem Jahr beginnen die Weltmodelle, echte Prüfungsaufgaben zu bearbeiten.

Ich habe nachgeforscht:

Auf dieser WAIC haben über 1.100 Unternehmen mehr als 300 Produkte weltweit erstmals vorgestellt. Das heißeste Wort der ganzen Veranstaltung ist Weltmodell.

01

Wie voll ist es? Die Hersteller von Robotern halten Präsentationen, die im KI-Filmgeschäft tätigen Unternehmen veranstalten Foren, und selbst die in der Landwirtschaft tätigen Unternehmen haben ein Weltmodell für Pflanzenwachstum entwickelt.

Am 19. Juli hat die Kunlun Wanwei-Sondersession direkt erklärt, dass dieses Jahr das Gründungsjahr des Weltmodells ist; Ihre erste Reaktion könnte wie meine sein: Eine neue Technologie, die erst in diesem Jahr aufgetaucht ist. Das stimmt aber nicht.

Zählen wir drei Jahre zurück:

Anfang 2024 veröffentlichte Google DeepMind Genie, und die KI lernte zum ersten Mal aus Videos selbst, was „Handlung“ bedeutet. Im August 2025 erreichte Genie 3 Echtzeit-Interaktion, sodass Sie in einer von der KI vor Ort generierten Welt herumlaufen können.

Im November 2025 machte das World Labs von Li Fei-Fei das Weltmodell zu einem kommerziellen Produkt; drei Jahre lang vier Sprünge, und bei jedem Schritt rief jemand „großer Durchbruch“.

Kunlun Wanwei selbst ist schon lange dabei: Matrix-Game ist bereits in der dritten Generation erschienen, und diese Serie nimmt in der Branche eine besondere Stellung ein.

Nachdem die zweite Generation Open Source wurde, nutzte das Team von Xie Saining, Autor von DiT und Assistenzprofessor an der New York University, sie als Basis, um das weltweit erste Mehrpersonen-Videoweltmodell Solaris zu entwickeln; die dritte Generation, Light Interaction, die gemeinsam von NVIDIA und der Zhejiang-Universität veröffentlicht wurde, basiert ebenfalls auf ihrer Entwicklung.

Noch interessanter ist eine andere Sache: Als internationale Großunternehmen wie NVIDIA mit SANA-WM und Adobe mit RELIC ihre eigenen Weltmodelle vorstellten, nutzten sie Matrix-Game als Vergleichsmaßstab.

Was bedeutet das? Andere Unternehmen nutzen Ihre Leistung als Referenzwert für ihre Bewertungen.

Ein Open-Source-Modell, das diesen Status erreicht hat – was sagt das aus? Es war schon letztes Jahr einsatzbereit. Die Technologie ist längst nutzbar, aber das Gründungsjahr zählt erst ab diesem Jahr. Wo liegt der Unterschied?

Es sind die Prüfungsbögen. Im Bereich der Roboter gibt es einen Prüfungsbogen, den alle Modelle absolvieren müssen, namens LIBERO.

Man gibt dem Roboter eine Reihe von Standardaufgaben und beobachtet die Erfolgsquote. Dieser Prüfungsbogen wird seit drei Jahren verwendet, aber die Ergebnisse in diesem Jahr sind etwas peinlich: Die Ergebnisse von mehr als einem Dutzend gängiger Modelle liegen alle zwischen 96 und 99 Prozent, die Unterschiede zwischen den Spitzenmodellen betragen weniger als ein Prozent, und fast alle erreichen nahezu volle Punktzahl.

Das ist vergleichbar damit, dass der Unterschied der Gesamtpunktzahlen der Top-Ten-Studenten einer Provinz bei der nationalen Hochschulaufnahmeprüfung nicht einmal so groß ist wie die Punkte einer einzelnen Multiple-Choice-Frage. Kann dieser Prüfungsbogen noch Ranglisten erstellen? Ja, aber die daraus resultierenden Ranglisten werden nicht einmal von den Erstellern selbst geglaubt.

Was bedeutet ein Prüfungsbogen, bei dem fast alle nahezu volle Punktzahl erreichen?

Der Prüfungsbogen ist nutzlos geworden, man kann keine Unterschiede mehr messen. Welchen Rang Sie einnehmen, hängt davon ab, wen Sie in die Liste der Konkurrenten aufnehmen. Wenn man die Konkurrenten austauscht, ändert sich der Erstplatzierte. In den letzten zwei Jahren ist die Aussage „SOTA (State of the Art) erneuert“ auf Pressekonferenzen immer wertloser geworden.

Die Wurzel liegt hier: Alle arbeiten an demselben Prüfungsbogen, bei dem fast volle Punktzahl erreicht wird.

Der andere Teil des Weltmodells ist genauso; woran misst man die Videogenerierung? Ob die Bildstabilität gut ist und die Szenen realistisch wirken. All diese Dinge haben eines gemeinsam: Sie hängen vollständig vom menschlichen Auge ab.

Die Bewerter schauen auf den Bildschirm und vergeben Punkte, das Publikum applaudiert bei den Demonstrationen. Das menschliche Auge war in den letzten drei Jahren der einzige Prüfer – und dieser Prüfer ist fast zufriedenzustellen.

Das ist die Situation im Jahr 2026: Die alten Prüfungsbögen können keine Unterschiede mehr aufzeigen, der alte Prüfer ist fast vollständig zufriedengestellt. Wenn eine Technologie diesen Punkt erreicht, gibt es nur zwei Wege: Entweder man streitet sich weiter um Nachkommastellen auf dem alten Prüfungsbogen, oder man wechselt zu einem Prüfungsbogen, der keine Rücksicht nimmt.

Wenn Sie also die Weltmodelle dieses Jahres betrachten, zählen Sie nicht, wer mehr Produkte veröffentlicht hat. Auf dieser WAIC hat Kunlun Wanwei drei neue Prüfungsbögen gleichzeitig vorgestellt.

02

Der erste neue Prüfungsbogen ist ein Roboter, der null Punkte erreicht hat.

Der Prototyp heißt Riemann-1.0. Es ist die erste Aufgabe, die die nach der Gründung von Kunlun Wanweis Tochtergesellschaft Riemann Dynamics vorgelegt hat: ein „allgemeines Gehirn“ für Roboter.

Zuerst erklären wir, wie die Nullpunktzahl zustande gekommen ist.

In den technischen Materialien von Riemann gibt es eine Gruppe von Kontrollversuchen: Ohne Vorabtraining wurde ein Modell von Grund auf neu trainiert und auf einem zwearmigen Roboter installiert, um vier Arten von Haushaltsaufgaben zu erledigen. Kleidung falten, Geschirr einräumen, den Schreibtisch aufräumen, Bausteine stapeln.

Die Erfolgsquote betrug 0 % – nicht weil sich der Roboter überhaupt nicht bewegt hat.

Der Arm wurde ausgestreckt, das Objekt berührt, etwa 20 % der Bewegungen wurden korrekt ausgeführt – aber keine der vier Aufgaben wurde vollständig abgeschlossen. Das ist die Eigenschaft des neuen Prüfungsbogens.

Modelle in der Simulation können 95 Punkte erreichen, weil die Simulation „Teilpunkte“ vergibt: Wenn der Arm richtig ausgestreckt ist, gibt es ein paar Punkte, wenn die Richtung abweicht, werden ein paar Punkte abgezogen. Die physische Welt vergibt keine Teilpunkte.

Erläuterung zum Bild: Das technische Architekturdiagramm von Riemann-1.0: Bild, Roboterzustand und Aktion bilden eine Kausalkette im selben Modell. Zuerst wird entschieden, wie man sich bewegt, dann wird vorhergesagt, wie sich die Welt verändern wird.

Warum schneiden die guten Schüler in der Simulation bei echten Robotern so schlecht ab?

Weil die Simulation ein nachsichtiger Prüfer ist: Das Licht ist immer gleichmäßig, der Tisch wackelt nie, und die Falten der Kleidung werden berechnet.

Die reale Welt ist nicht nachsichtig: Stoffe rutschen, Licht spiegelt sich wider, und wenn Sie beim Greifen des Kleidungsstücks die Kraft auch nur ein wenig falsch dosieren, scheitert die gesamte nachfolgende Aktion.

Für diese Lücke gibt es einen Fachbegriff: die „Kluft zwischen Simulation und Realität“. Viele Teams in der Roboterbranche sind an dieser Kluft gescheitert.

Wenn die Kleidung gefaltet ist, ist sie gefaltet – wenn nicht, ist sie nicht gefaltet. Es gibt keine Punktestufe für „fast geschafft“, man muss ehrlich sein. Sehen Sie: Die Ehre mit zwei Nachkommastellen auf dem alten Prüfungsbogen wird hier vollständig gelöscht.

Was liegt zwischen 0 und 85 Punkten?

232.000 Stunden Videomaterial.

86 % der Trainingsdaten, die Riemann diesem Gehirn zugeführt hat, sind alltägliche Videos aus der ersten Perspektive von Menschen. Wie Menschen Kleidung falten, den Tisch aufräumen und Stifte in den Stiftehalter stecken.

Einfach ausgedrückt: Dieses Roboter-Gehirn ist damit aufgewachsen, zuzusehen, wie Menschen ihren Alltag leben. Der kleine Rest sind die Betriebsdaten des Roboters selbst.

Können die Fähigkeiten, die durch das Anschauen von Videos erlernt wurden, tatsächlich auf Roboter übertragen werden? Am 19. Juli legte Kunlun die Prüfung ab; in der offiziell veröffentlichten Bewertung des echten Roboters erreichte Riemann-1.0 eine durchschnittliche Erfolgsquote von 85 % bei vier Arten von Haushaltsaufgaben – 15 Prozentpunkte mehr als das stärkste Open-Source-Konkurrentenmodell.

Es gibt noch einen größeren Prüfungsraum: RoboCasa-365.

Wenn Sie das nicht kennen, ist das kein Problem – merken Sie sich einfach, dass es der Prüfungsbogen ist, der realen Haushaltsaufgaben am nächsten kommt. 365 Arten von langwierigen Küchenaufgaben, vom Holen der Zutaten bis zum Spülen des Geschirrs – Punkte gibt es erst, wenn die gesamte Bewegungssequenz abgeschlossen ist. Es erreichte 62,6 %, der Zweitplatzierte 54,2 %.

Beachten Sie die Form dieser beiden Zahlen: Es ist ein deutlicher Vorsprung. Sobald der neue Prüfungsbogen eingeführt ist, ist die Unterscheidbarkeit wiederhergestellt.

Es gibt zwei weitere Zahlen, die das Problem besser veranschaulichen als die Punkte.

Erstens: Das gesamte Gehirn läuft auf einer einzigen RTX 4090. Ja, genau die Grafikkarte, die Sie zum Spielen verwenden. Die Hardware-Schwelle für ein „allgemeines Gehirn“ eines Roboters liegt bei über 10.000 Yuan.

Zweitens: Eine der Bewertungsaufgaben bestand darin, den Zauberwürfel in eine Aufbewahrungsbox zu legen. Das Modell wurde weder jemals mit dem Zauberwürfel noch mit dieser Box im Training konfrontiert – aber es hat die Aufgabe zehn Mal hintereinander erfolgreich erledigt.

Es kann Dinge erledigen, die ihm nie beigebracht wurden – das ist der wahre Wert dieser 230.000 Stunden Videomaterial: Das Modell hat einen weiten Horizont.

Dieser neue Prüfungsbogen hat einen Preis: Er ist so teuer, dass jeder, der an der Prüfung teilnimmt, etwas anderes eintauschen muss. Das Modell auf dem Bildschirm hat gerade eine Studiengebühr bezahlt.

03

Was ist die andere Studiengebühr? Die Antwort lautet: Geschwindigkeit.

Dieses Modell heißt Matrix-3.5, die neueste Generation der Matrix-Game-Serie, die bereits zuvor von Xie Sainings Team als Basis verwendet wurde.

In seinen Veröffentlichungsmaterialien steht eine Zahl, die auf jeder Pressekonferenz wie ein Druckfehler aussieht: Die vorherige Generation erreichte 40 Bilder pro Sekunde, diese Generation nur 20 Bilder pro Sekunde.

Es ist langsamer geworden – um die Hälfte.

In der Branche gibt es auf Pressekonferenzen nur eine Aussageweise: „Schneller geworden“. Die Bildrate wird verdoppelt, die Latenz halbiert, die Reaktionszeit verbessert – das Publikum versteht es sofort, die Bewerter geben sofort Punkte. Es gibt kein anderes Unternehmen, das freiwillig sagt: „Wir sind langsamer geworden“.

Daher kann diese Zahl nur eine Erklärung haben: Es hat die Hälfte der Geschwindigkeit gegen etwas eingetauscht, das es für wertvoller hält – nämlich gegen Gedächtnis und Leichtgewichtigkeit der Rechenleistung.

Frühere KI-Generierungswelten hatten ein Problem wie Goldfische: Wenn Sie vorwärts gingen, waren Häuser Häuser und Bäume Bäume. Wenn Sie sich umdrehten und zurückblickten, war das Haus verschwunden und an seiner Stelle ein neues erschienen – es hatte vergessen, was es selbst vor einer Sekunde erzeugt hatte.

Seit drei Jahren fordert die Branche für Weltmodelle die „Erschaffung virtueller Welten“ an – das Problem liegt genau hier: Die Welt muss sich an sich selbst erinnern können.

Was Matrix-3.5 tut, lässt sich einfach in einem Satz zusammenfassen:

Jedes von der KI gesehene Bild wird mit dreidimensionalen Koordinaten markiert und in einem Archiv gespeichert. Wenn Sie sich umdrehen, ruft es das ursprüngliche Bild aus dem Archiv ab.

Wenn Sie sich umdrehen, ist das Haus noch da. Wenn Sie eine Minute lang weggehen und zurückkommen, steht das Haus noch an derselben Stelle mit denselben Fenstern. Diese „Erhaltung“ in der einen Minute ist das, was mit den 20 Bildern pro Sekunde erkauft wurde.

Man muss klarstellen: Die Halbierung der Geschwindigkeit bedeutet, dass man von mehreren Grafikkarten auf eine einzige wechselt und danach alles daransetzt, die Geschwindigkeit wieder zu erhöhen.

Um zu verhindern, dass die Bildrate von 20 auf 10 Bilder pro Sekunde weiter sinkt, wurden die Generierungsschritte in der Technik von mehreren Dutzend auf 3 reduziert, und der Decoder wurde um drei Viertel verkleinert. Zuerst wurde das Gedächtnis priorisiert, dann wurde die Geschwindigkeit schrittweise zurückgewonnen, bis man bei 20 Bildern pro Sekunde ankam – einem Punkt, an dem beide Aspekte noch brauchbar sind.

Das ist eine klar durchdachte Rechnung.

Übrigens zum Thema „Das Haus bleibt da, wenn man sich umdreht“: Das weltweit beste Modell davor war Googles Genie 3, das nicht Open Source war und nur in Demonstrationen gezeigt werden konnte. Matrix hingegen ist Open Source.

Ist Ihnen aufgefallen, dass diese Entscheidung mit der des Roboters übereinstimmt? Der Roboter übergibt die Bewertung der physischen Welt und absolviert einen Prüfungsbogen ohne Rücksicht außerhalb des Bildschirms.

Matrix-3.5 gibt die „höhere Geschwindigkeit“ auf, um sich an Dinge erinnern zu können. Es wählt freiwillig eine schwierigere Aufgabe auf dem Bildschirm aus. Geschwindigkeit schmeichelt den Augen – Gedächtnis schmeichelt denen, die diese Welt für real halten.

Außerhalb des Bildschirms wurde eine Prüfung abgelegt, auf dem Bildschirm eine weitere. Es gibt noch einen letzten Prüfungsraum, der niemals eine Standardantwort hat.

04

Zum Beispiel: Musik. Musik kann man nicht ausklammern. Ob ein Lied gut klingt, kann kein Gesetz im Universum entscheiden. Der Prüfer in dieser Aufgabe ist immer das menschliche Ohr. Man kann ihn nicht austauschen.

Wie kann man also in einem Prüfungsraum, in dem der Prüfer nicht ausgetauscht werden kann, das Konzept des „Gründungsjahres“ begründen?

Das dritte Modell, das Kunlun auf seinem Forum vorgestellt hat, ist die KI-Musik Mureka. Es gibt eine Antwort: Wenn man den Prüfer nicht austauschen kann, sei man ehrlich zu ihm.

In seinen technischen Materialien steht eine Zahl, die ich selten in Veröffentlich