LinkZhe Liu, Jinghua Hou, Yuxiang Lu, et al.Forschung
Viele aktuelle Robotik-Modelle scheitern an Aufgaben, die räumliche Feinmotorik über Zeit oder das Merken verdeckter Objekte erfordern. Da StreamPI ohne zusätzliche Parameter auskommt und vortrainierte Gewichte weiternutzt, lässt sich die Methode direkt auf bestehende Single-Frame-Architekturen anwenden. Die geringe Latenz im Inferenzbetrieb macht sie zudem praxistauglich für reale Steuerungsszenarien.
StreamPI adressiert ein Kernproblem aktueller VLAs: das Verwerfen von Vergangenheitsdaten. Die Kombination aus bidirektionaler Aufmerksamkeitsverteilung innerhalb jedes Beobachtungspaars und kausaler Verknüpfung über die Zeitschritte hinweg verhindert, dass Instruktionen im Zeitverlauf verwässern. Gleichzeitig löst das variable Abtasten während des Trainings die Diskrepanz zwischen synchronem Labor-Setup und asynchronen Kamerasensoren im Live-Einsatz. Einschränkungen bleiben jedoch: Das synchrone Laden langer Frame-Sequenzen während des Trainings bleibt rechenintensiv, und extreme Asynchronitäten erfordern künftig adaptive Mechanismen wie dynamisches Pruning des KV-Caches.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Link:Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti et al.
OpenVLA ist ein quelloffenes Vision-Language-Action-Modell (VLA) mit 7 Milliarden Parametern zur Steuerung von Robotern. Es basiert auf Prismatic-7B, nutzt Llama 2 und wurde auf 970.000 Roboter-Episoden trainiert. Das Modell übertrifft bisherige Generalisten wie Octo und RT-1-X sowie teilweise das proprietäre 55B-Modell RT-2-X.
Artikel:Moo Jin Kim et al.
Forschende von Stanford, UC Berkeley, Google DeepMind und weiteren Institutionen stellen OpenVLA vor, ein quelloffenes Vision-Language-Action-Modell mit 7 Milliarden Parametern. Das auf 970.000 realen Roboterdemonstrationen trainierte Modell übertrifft geschlossene Vorgänger wie RT-2-X deutlich und lässt sich per LoRA auf handelsüblichen GPUs feinjustieren.
Artikel:Peiyan Li, Yuze Zhu, Yixiang Chen, Qisen Ma, Yuan Xu, Jiabing Yang, He Guan, Yan Huang, Hongtao Wu, Xiao Ma, Tao Kong, Liang Wang, Tieniu Tan
Forschende stellen BridgeVLA++ vor, ein Vision-Language-Action-Framework für 3D-Roboter-Manipulationen. Aufbauend auf BridgeVLA erweitert das Modell vortrainierte Vision-Language-Modelle (VLMs) um eine Architektur für räumlich-zeitliches Gedächtnis, um vergangene Beobachtungen und Interaktionshistorien effizient einzubeziehen.
Artikel:Saeed Babamohamadi
NVIDIA präsentiert mit Cosmos 3 eine offene Modellfamilie, die als World Action Model (WAM) physikalische Dynamiken erlernt und Steuerungsaktionen gemeinsam mit zukünftigen Kamerabildern generiert.
Link:Dyna Robotics
Dyna Robotics hat DYNA-2 vorgestellt, ein World-Action-Modell (WAM), das auf über einer Million Stunden egozentrischer menschlicher Videos vortrainiert wurde. Das Modell umgeht den Engpass manueller Teleoperationsdaten und überträgt räumliches Verständnis sowie physische Handlungen direkt auf unterschiedliche Robotersysteme.
Link:Qwen
Das Qwen-Team hat mit Qwen3.8-27B ein kompaktes, dichtes Vision-Language-Modell unter der Apache-2.0-Lizenz veröffentlicht. Das 27-Milliarden-Parameter-Modell kombiniert Gated DeltaNet mit regulärer Attention, versteht Bilder sowie Videos und bietet flexible Steuerungsmöglichkeiten für Denkprozesse.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
