Sobald dieses Weltmodell seine Trainingsphase abgeschlossen hat, „tritt es ab“, und der Roboter ist stattdessen sogar noch leistungsfähiger.

Dieses Weltmodell ist wirklich ein wenig „rebellisch“ –

Bevor es in den Einsatz geht, verbringt es viel Zeit damit, Roboter beim Training zu begleiten. Wenn der Roboter endlich mit der Arbeit beginnen soll, zieht es sich zuerst aus der Bereitstellungs-Pipeline zurück.

Man muss wissen, dass frühere Weltmodelle für Roboter wie ein mitgeführtes „Sandkasten im Gehirn“ waren: Der Roboter nutzt es zuerst, um vorherzusagen, was in der Zukunft passieren wird, und entscheidet dann, wie er als Nächstes vorgeht. Je mehr das Modell denkt, desto länger ist oft die Inferenz-Pipeline.

Aber dieses „rebellische“ Weltmodell hat die Denkweise geändert.

Es bleibt nur im Trainingsgelände, prüft speziell, welche Folgen die von dem Roboter selbst vorgeschlagenen Aktionen haben werden, und wandelt diese Prüfung dann in Feedback für die Strategieoptimierung um. Nach Abschluss des Trainings verlässt das gesteuerte Weltmodell die Bereitstellungs-Pipeline, sodass der Roboter bei der Ausführung von Aufgaben keine zukünftigen Zustände mehr entfalten und keine Aktionskandidaten suchen muss.

Und das Ergebnis?

Der Roboter kann sogar noch besser arbeiten!

Dies ist das erste physisch native Weltmodell Phi-WM 1.0 ActEffect (im Folgenden als ActEffect bezeichnet), das von Guangxiang Technology gemeinsam mit der Forschungsgruppe von Professor Li Shengbo der Tsinghua-Universität veröffentlicht wurde. Insgesamt versucht diese Technologie, ein seit langem bestehendes Problem im Bereich der verkörperten Intelligenz zu beantworten:

Der Roboter hat aus Demonstrationsdaten gelernt, wie Aktionen aussehen. Kann er die möglichen Folgen von Aktionen weiter nutzen, um seine eigene Strategie umgekehrt zu verbessern?

Schließlich wird dieses Problem letztendlich auch auf die tatsächliche Bereitstellung übertragen. Jeder zusätzliche Ausführungsschritt des Modells durch einen Industrieroboter entspricht neuer Latenz, neuer Rechenleistung und neuen Kosten. Nur wenn das Weltmodell während des Trainings wirken kann und in der Ausführungsphase leichtgewichtig bleibt, kann der technische Wert die Chance haben, sich weiter in einen Bereitstellungswert umzuwandeln.

Aus den Testergebnissen ist die Antwort auch relativ eindeutig.

Diese Arbeit erzielte eine durchschnittliche Erfolgsrate von 98,8 % auf LIBERO, erreichte 80,3 % auf LIBERO-PLUS mit sieben Arten von Verteilungsverschiebungen und eine durchschnittliche Erfolgsrate von 67,5 % bei RoboCasa-GR1 mit einem Aktionsraum von 29 Dimensionen.

Wie ist also eine so „rebellische“ Methode konkret realisiert worden?

Wir schauen uns das jetzt genauer an.

Lassen Sie den Roboter zuerst drei Versionen der Antwort liefern

Der Durchbruch von ActEffect verbirgt sich tatsächlich im Imitationslernen, mit dem Roboter am besten vertraut sind.

Derzeit basieren viele allgemeine Roboterstrategien auf VLA. Die Kamera teilt dem Roboter mit, was vor ihm liegt, die Sprachanweisung gibt die Aufgabe an, und das Modell generiert dann Aktionen anhand der Demonstrationsdaten. Beim Training erhält man normalerweise eine höhere Punktzahl, je näher die eigene Antwort an der Demonstrationsaktion liegt.

Aber in der physischen Welt besteht noch ein deutlicher Unterschied zwischen ähnlicher Aktion und korrektem Ergebnis.

Wenn zum Beispiel der Greifer etwas früher schließt, kann das Teil möglicherweise nicht fest gegriffen werden; wenn der Winkel des Handgelenks leicht abweicht, kann das ursprünglich reibungslose Einstecken stecken bleiben. Die beiden Aktionen sehen numerisch ähnlich aus, aber auf dem Roboterarm können die Ergebnisse völlig unterschiedlich sein.

Daher hat ActEffect es nicht eilig, dem Roboter eine längere Denkkette anzuschließen, sondern lässt die Strategie zuerst alle drei Versionen der Antwort liefern:

Die erste Version stammt aus dem Feed-Forward-Zweig, wie die „erste Reaktion“ des Roboters;

Die zweite Version ist ein grober Vorschlag, der von dem MIP-Aktionskopf ausgegeben wird;

Die dritte Version verfeinert den groben Vorschlag weiter und generiert die endgültig auszuführende Aktion.

Der Schlüssel dieses Prozesses liegt im Wort „vollständig“. Da Strategien wie Diffusion und Flow-Matching während des Trainings viele verrauschte Zwischenzustände durchlaufen, ist es schwierig, jeden Schritt als ausführbare Aktion in das Weltmodell einzuspeisen. Daher sind die drei von ActEffect ausgewählten Vorschläge jeweils vollständig, und unter demselben Ausgangspunkt gibt es eine Vergleichsbasis, wer bessere Folgen bringen wird.

Als Nächstes tritt das gesteuerte Weltmodell auf die Bühne.

Es erhält den aktuellen visuellen Zustand und einen Aktionsvorschlag und sagt dann voraus, welche Änderungen in der Szene stattfinden werden, wenn diese Aktion ausgeführt wird. Die drei Aktionen werden jeweils einmal durchlaufen, was bedeutet, dass der Roboter die Ergebnisse im Trainingsgelände dreimal im Voraus sieht.

Hier gibt es noch eine interessante Verarbeitung. Die Sprachanweisung verbleibt auf der Seite der VLA-Strategie und teilt dem Roboter mit, was zu tun ist; das gesteuerte Weltmodell betrachtet nur das aktuelle Bild und die Aktion und liest die Aufgabensprache nicht mehr.

Wenn man zum Beispiel denselben Becher schiebt, hängt die Bewegung des Bechers von seiner aktuellen Position, der Umgebung und der Aktion ab, die der Roboterarm ausübt. Ob die Anweisung „den Becher wegschieben“ oder „den Tisch reinigen“ lautet, wird die physische Änderung, die durch dieses Schieben verursacht wird, nicht verändern.

Darüber hinaus legt ActEffect die zukünftigen Zustände in den eingefrorenen visuellen Merkmalsraum von DINOv3. Es muss nicht mühsam ein realistisches zukünftiges Bild generieren, sondern nur erfassen, wie sich Position, Haltung von Objekten und die Struktur der Szene ändern. Der sogenannte „physische Native“ bezieht sich genau hierauf. Die Aufgabensemantik wird weiterhin von VLA verarbeitet, und die Zustandsänderungen, die durch Aktionen verursacht werden, werden separat zum Lernen extrahiert.

Es reicht jedoch nicht aus, die drei Versionen der Ergebnisse zu betrachten. Ein weiterer wichtiger Schlüsselpunkt besteht darin, die Unterschiede zurück zur Strategie zu übertragen.

In den Trainingsdaten gibt es bereits die echte Beobachtung nach der Ausführung der Aktion. Das gesteuerte Weltmodell vergleicht die drei Vorhersagen nacheinander mit dieser echten Zukunft und fordert, dass der feine Vorschlag näher an der Realität liegt als der grobe Vorschlag, und der grobe Vorschlag wiederum besser ist als der erste Feed-Forward-Vorschlag.

Auf diese Weise kann die Strategie bei jeder Änderung einer Aktion wissen, ob diese Änderung das Ergebnis in die richtige Richtung lenkt.

Um zu vermeiden, dass das Modell Schlupflöcher nutzt, fügt ActEffect dem Rangverlust zusätzlich einen Gradienten-Abschneidung hinzu. Schlechte Antworten können nicht dadurch hervorgehoben werden, dass sie noch schlechter werden. Das Training kann nur weiter dazu führen, dass bessere Vorschläge sich der echten Zukunft nähern.

Durch das Lernen mit Feedback-Signalen wird die Beurteilung des Weltmodells über die „Folgen“ in die Strategiegewichte geschrieben. Wenn der Roboter in den Einsatz geht, werden das gesteuerte Weltmodell und der zukünftige Beobachtungszweig gemeinsam entfernt, und nur der MIP-Aktionskopf bleibt übrig, um den groben Vorschlag und die Verfeinerung abzuschließen.

Nachdem wir die Methode verstanden haben, müssen wir als Nächstes prüfen, ob sie den Roboter wirklich unterrichtet hat.

Schauen wir uns zuerst LIBERO an. Dieser Benchmark umfasst vier Gruppen von einarmigen, mehrfachaufgaben-basierten Tischoperationen. ActEffect erreicht hier 98,8 %, was 0,2 Prozentpunkte höher liegt als die 98,6 % von DiT4DiT. Obwohl der Vorsprung nicht sehr groß ist, ist die wichtigere Information, dass nach der Einführung des Folgen-Feedbacks die ursprünglichen grundlegenden Betriebsfähigkeiten des Roboters nicht verloren gegangen sind.

Schauen wir uns dann die schwierigere Version LIBERO-PLUS an.

Dieser Test ändert die Kameraperspektive, den Anfangszustand des Roboters und die Sprachformulierung und erzeugt Variationen in Beleuchtung, Hintergrund, Sensorrauschen und Objektanordnung. Die durchschnittliche Erfolgsrate von ActEffect beträgt 80,3 %, was deutlich höher ist als die 51,5 % von Fast-WAM.

Bei RoboCasa-GR1 sind die Aufgaben anders. Das Modell muss den menschenähnlichen Roboter GR-1 mit zwei Armen, geschickten Händen und Freiheitsgraden in der Taille steuern, um 24 Tischoperationen in einem Aktionsraum von 29 Dimensionen abzuschließen.

Die durchschnittliche Erfolgsrate von ActEffect erreicht 67,5 %, was 9,2 Prozentpunkte höher liegt als der zweitplatzierte ABot-M0 in der Tabelle und 10,8 Prozentpunkte höher als Fast-WAM. Mit höheren Aktionsdimensionen und komplexeren Körperstrukturen wird die Wirkung des Folgen-Feedbacks noch deutlicher.

Das Ablationsexperiment hat diese Methode detailliert untersucht.

Wenn das Folgen-Feedback entfernt wird, sinkt die durchschnittliche Erfolgsrate von LIBERO von 98,8 % auf 97,0 %; wenn der DINOv3-Merkmalsraum durch eine VLM-Repräsentation ersetzt wird, erreicht das Ergebnis 97,3 %; wenn der Rangverlust entfernt wird, fällt es auf 98,1 % zurück.

Aus den Ergebnissen dieser Gruppen von Experimenten geht hervor, dass ActEffect die Effektivität dieser Trainingsmethode nachweislich bewiesen hat.

Warum hängt diese Nutzung mit der industriellen Bereitstellung zusammen?

An diesem Punkt gibt es auch eine realere Antwort darauf, warum das gesteuerte Weltmodell unbedingt „den Platz verlassen“ muss.

Wenn wir die verkörperte Intelligenz im Labor betrachten, ist unsere Bewertungsdimension im Grunde die Aufgabenerfolgsrate. Aber sobald es in die reale Produktionsumgebung eintritt, ändert sich diese Dimension vollständig.

Denn wenn der Roboter eine zusätzliche Schicht des Modells in der Simulationsumgebung ausführt, kann dies am Ende nur ein Berechnungsaufwand in der Tabelle sein. Wenn dieselbe Pipeline jedoch in eine Autofabrik verlegt wird, gelangt jede Inferenz in die Buchhaltung der Produktionslinie.

Darüber hinaus wird die Rechenleistung mit zunehmendem Umfang vergrößert. Es scheint akzeptabel, dass ein einzelner Roboter bei jedem Schritt eine zusätzliche zukünftige Entfaltung durchführt. Wenn die Lösung auf Dutzende von Arbeitsplätzen und Hunderte von Geräten kopiert wird, werden zusätzliche Grafikkarten, Stromverbrauch und Wartung zu echten Kosten.

Indem ActEffect das gesteuerte Weltmodell in der Trainingsphase belässt, vermeidet es genau diesen Online-Aufwand. Es versucht, eine weitere Schicht der Überwachung aus den vorhandenen Demonstrationsdaten zu extrahieren, sodass der Roboter die Erfahrung der „Folgen“ im Voraus erhält, ohne nach dem Einsatz das gesamte Weltmodell weiter betreiben zu müssen.

Mit anderen Worten: Es lässt das „etwas länger Nachdenken“ dem Training überlassen und behält eine kürzere Pipeline für die Ausführung.

Dass Guangxiang Technology diesen technischen Weg wählt, hängt auch