Die Ant-Group-Tochter Robbyant hat LingBot-VA 2.0 veröffentlicht, ein offenes KI-Modell, das Kamerabilder direkt in Roboterbewegungen übersetzt. Auf dem Simulationsbenchmark RoboTwin 2.0 erreicht das System eine Erfolgsquote von 93,6 Prozent und arbeitet bis zu sechseinhalbmal schneller als die Vorgängerversion.
Kausale Architektur verbindet Video und Aktion
LingBot-VA 2.0 sei laut einem am 9. Juli veröffentlichten arXiv-Paper das erste Modell der Branche, das nativ für die physische Welt entwickelt wurde, statt ein bestehendes Video-Generierungsmodell nachträglich anzupassen. Das System kombiniert einen semantischen Tokenizer, der Weltzustände und Aktionen in einem gemeinsamen Raum abbildet, mit einer strikt kausalen Vorabtrainingsarchitektur. Diese verhindert, dass das Modell Informationen aus der Zukunft nutzt, ein Problem klassischer bidirektionaler Videomodelle. Insgesamt umfasst das Modell 15,3 Milliarden Parameter, von denen dank einer Mixture-of-Experts-Architektur mit 128 Experten und Top-8-Routing pro Verarbeitungsschritt nur rund 2,5 Milliarden aktiviert werden. Diese Sparsamkeit senkt den Rechenaufwand, ohne die Kapazität des Modells einzuschränken. Eine zusätzliche Funktion namens Foresight Reasoning lässt das System künftige Zustände vorhersagen, während der Roboter die aktuelle Aktion noch ausführt; reale Sensordaten korrigieren die Vorhersage laufend. Trainiert wurde das Modell mit fünf verschiedenen Zielen gleichzeitig, von Text-zu-Bild- über Text-zu-Video- bis zu Mensch-Roboter-Kotraining, wobei die Gewichtung während des Trainings schrittweise von groben zu feinen Aufgaben wechselt.
Benchmark zeigt deutlichen Vorsprung vor Rivalen
Der Robotik-Benchmark RoboTwin 2.0 umfasst 50 Manipulationsaufgaben mit insgesamt 2.500 sauberen und 25.000 zufällig variierten Demonstrationen. Darauf erreicht LingBot-VA 2.0 laut einer technischen Analyse von MarkTechPost eine Erfolgsquote von 93,6 Prozent. Das Vergleichsmodell Motus kommt auf 87,9 Prozent, das System π0.5 auf 79,8 Prozent und X-VLA auf 72,9 Prozent. Neben der Genauigkeit verbessert sich auch die Geschwindigkeit deutlich: Die Latenz sinkt von 927 auf 142 Millisekunden, die asynchrone Steuerfrequenz steigt von 35 auf bis zu 225 Hertz. Das Modell kann damit laut dem zugehörigen arXiv-Paper deutlich häufiger pro Sekunde Bewegungsentscheidungen treffen als frühere Versionen und so flüssiger auf veränderte Umgebungen reagieren. Für neue Aufgaben benötigt das System laut den Autoren nur zehn bis zwanzig Demonstrationen, um sich per In-Context-Learning anzupassen, ohne dass die Modellparameter neu trainiert werden müssen. Diese Angaben stammen aus Simulationen und sind unabhängig nicht verifiziert; wie sich das Modell auf echten Robotern in unkontrollierten Umgebungen schlägt, bleibt offen.
Robbyant baut sechsteiligen Modell-Stapel für Roboter auf
LingBot-VA 2.0 ist nach Angaben des Unternehmens Teil eines sechsteiligen Modell-Stapels für verkörperte KI. Dazu gehören die Wahrnehmungsmodelle LingBot-Vision und LingBot-Depth 2.0, das Weltmodell LingBot-World 2.0, das Video-Modell LingBot-Video und das bereits Anfang Juli aktualisierte Steuerungsmodell LingBot-VLA 2.0. Zusammen deckt der Stapel die gesamte Kette von der Tiefen- und Objekterkennung über die Simulation künftiger Weltzustände bis zur konkreten Bewegungssteuerung eines Roboters ab. Robbyant firmiert als Einheit für verkörperte KI innerhalb der Ant Group, die vor allem für den Bezahldienst Alipay bekannt ist und zuletzt im Wochenrhythmus neue Modelle dieser Reihe veröffentlicht hat. Wie IT Tech News berichtet, richtet sich die Technik unter anderem an Haushaltsroboter, Anwendungen in der Altenpflege und medizinische Assistenzsysteme. Der offene Zugang über GitHub soll Entwicklerinnen und Entwicklern erlauben, das Modell auf eigene Roboterplattformen zu übertragen, ohne bei einem einzelnen Anbieter Lizenzgebühren zu zahlen. Damit reiht sich Robbyant in eine wachsende Zahl von Anbietern ein, die offene Grundlagenmodelle speziell für Robotik veröffentlichen, statt bestehende Sprach- oder Bildmodelle nachträglich für die physische Welt anzupassen.
Entscheidend wird, ob sich die Erfolgsquote aus der RoboTwin-Simulation auf reale Hardware übertragen lässt, wo Sensorrauschen und mechanisches Spiel die Fehlerquote von KI-Steuerungen erfahrungsgemäß erhöhen. Offen bleibt zudem, welche Roboterhersteller das offene Modell in eigene Produkte integrieren und wie sich das sechsteilige Portfolio von Robbyant gegen etablierte Anbieter aus den USA und Europa behauptet.
