LinkMoo Jin Kim, Karl Pertsch, Siddharth Karamcheti et al.Forschung
Große Robotik-Modelle waren bisher überwiegend proprietär oder in ihrer Anpassbarkeit stark limitiert. OpenVLA stellt Gewichte und Code vollständig via HuggingFace bereit. Dadurch wird offene Forschung und die praktische Anpassung auf eigene Roboter-Hardware mit geringem Rechenaufwand möglich.
Das Forschungsteam demonstriert, dass Spezialisierung auf multimodale Aufgaben auch mit kleineren Parametermengen (7B) konkurrenzfähig zu massiven Modellen wie RT-2-X (55B) sein kann. Während klassische Diffusions-Ansätze bei engen Einzelaufgaben noch präziser agieren, zeigt OpenVLA seine Stärken in Umgebungen mit mehreren Objekten und variierenden Sprachanweisungen. Der Einsatz von LoRA macht das Fine-Tuning zudem für praktische Anwendungen zugänglich.
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.
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.
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.
