ArtikelMoo Jin Kim et al.Forschung
Bisherige Spitzenmodelle für Robotik-Handlungssteuerung waren proprietär oder schwer an neue Aufgaben anpassbar. OpenVLA senkt die Einstiegshürden erheblich, indem es ein leistungsfähiges VLA-Fundament bereitstellt, das sich auf Standard-Hardware für konkrete Einsatzbereiche adaptieren lässt.
Das Papier demonstriert, dass der Rückgriff auf offene Vision-Language-Grundlagen wie Llama 2, DINOv2 und SigLIP ausreicht, um spezialisierte, deutlich größere proprietäre Modelle zu übertreffen. Durch die direkte Abbildung von Roboteraktionen als Token im VLM-Vokabular profitiert das System von bestehender LLM-Trainingsinfrastruktur. Die Kombination aus offener Verfügbarkeit und effizienter Parameteranpassung schließt eine zentrale Lücke zwischen theoretischer VLA-Forschung und praktischer Implementierung in der Robotik.
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.
Link:Zhe Liu, Jinghua Hou, Yuxiang Lu, et al.
Forschende der University of Hong Kong und von ACE Robotics stellen StreamPI vor. Das Framework erweitert Vision-Language-Action-Modelle (VLAs) wie π0.5 um zeitliche Kontextverarbeitung, ohne neue Modellparameter hinzuzufügen. Durch die paarweise Bindung von Bild- und Textbefehlen sowie ein Trainingsverfahren mit zufälligen Zeitintervallen verbessert StreamPI die Präzision und Robustheit bei der realen Robotersteuerung.
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.
