← Alle Modellneuigkeiten

Zhiyuan GO-3 Preview beansprucht dreimal Platz eins in Robotik-Ranglisten, setzt auf Lernen nach dem Deployment und Open-Source-Pläne für Jahresende

Laut einem Bericht von Xin Zhiyuan vom 29. Oktober 2026 hat Zhiyuan das Embodied-Modell GO-3 Preview vorgestellt. Es soll in den drei Ranglisten RoboDojo, RoboTwin und RoboColiseum auf Platz eins liegen und Pre-Training, Post-Training sowie Lernen nach dem Deployment zu einer Kette verbinden. Das Unternehmen erwartet eine vollständige Open-Source-Veröffentlichung bis Jahresende; Gewichte, Lizenz und Aufrufmodalitäten sind noch nicht bekannt.

Veröffentlicht Aktualisiert

Was sich geändert hat

Laut einem Bericht von Xin Zhiyuan vom 29. Oktober 2026 hat Zhiyuan an diesem Tag das Embodied-Modell GO-3 Preview veröffentlicht und gibt an, es stehe in den drei Robotik-Ranglisten RoboDojo, RoboTwin und RoboColiseum auf Platz eins; in RoboDojo liege es vor dem im Bericht erwähnten Allzweckmodell GPT-6 Astra. Dem Bericht zufolge liegt der Schwerpunkt nicht auf einer Einzelmetrik, sondern darauf, drei Trainingsphasen zu einer Linie zu verbinden: Im Pre-Training kommt eine World-Reasoning-Action-Architektur namens WRAM zum Einsatz, mit einem steuerungsorientierten visuellen Encoder CoAE, einem Single-Step-Visualplaner SVP und einer selektiven Optimierung zur Wissensausrichtung KASO; zugleich veröffentlicht Zhiyuan den realen Roboterdatensatz AGIBOT WORLD 2026 im Millionenumfang. Das Post-Training übernimmt Genie Evolver, der mit drei Engines – realer Roboter, physikalische Simulation und Weltmodell – abwechselnd durch Versuch und Irrtum lernt und ein fehlergeleitetes, erfahrungsbasiertes Retrieval-Fine-Tuning (FERT) einführt: Aus dem Kontext vor einem Fehler werden Segmente aus einem flottenweit geteilten Pool erfolgreicher Erfahrungen abgerufen und gewichtet zum Training genutzt. Die Phase nach dem Deployment übernimmt das am 27. Oktober veröffentlichte Agent-Framework Genie Master, das über ein Embodied-Execution-Protokoll namens EEP die übergeordnete Inferenz mit der Ausführung auf niedriger Ebene verbindet; Lehren aus Fehlern werden entweder als langfristige Gedächtnisregeln gespeichert (Harness RSI) oder fließen in die Policy-Gewichte zurück (Policy RSI). Zu den im Bericht genannten Zahlen gehören: Die durchschnittliche Erfolgsquote bei fünf realen Aufgaben – Blumenarrangieren, Kleiderfalten, Handyaufladen, Hockeraufbau und Handyverpackung – stieg von 81,0 % auf 97,3 %; bei der mehrstufigen Langprozessaufgabe Handyverpackung sank die Zahl der Fehlschläge um 92 %; bei der Formkontrolle beim Kleiderfalten stieg die Erfolgsquote von 85,8 % auf 98,3 %, die Erfolgsquote des vollständigen Ablaufs von 28,6 % auf 85,7 %. Zhiyuan erklärte, GO-3 Preview und weitere Modelle würden voraussichtlich bis Jahresende vollständig Open Source werden; für den 2. November sei zudem ein 24-Stunden-Livestream-Test in einem Convenience Store mit sechs G2-Robotern geplant.

Auswirkungen für Entwickler

Für Entwickler ändert das sogenannte Lernen nach dem Deployment die Systemform, nicht die Parameter eines einzelnen Inferenzaufrufs. Wird das Modell als statischer Checkpoint behandelt, müssen Aufgabenorchestrierung, Fehlerrückgewinnung und menschliche Übernahme weiterhin selbst ergänzt werden; nach der im Bericht beschriebenen Route stammt ein Teil der Modellfähigkeit aus zur Laufzeit angesammelter Erfahrung, weshalb Datenrückfluss und Policy-Aktualisierung Teil des Systems sind und nicht erst nach der Inbetriebnahme geklärt werden sollten. Auch die Bewertungslogik verdient einen zweiten Blick: Die Platzierungen in RoboDojo, RoboTwin und RoboColiseum stammen einseitig vom Hersteller; der Bericht nennt weder Aufgabenverteilung noch Evaluierungsskripte oder einen Reproduktionsweg. Sie als Signal dafür zu nehmen, wen man zuerst testet, ist belastbarer, als sie als Auswahlentscheidung zu behandeln. Auch der Open-Source-Zeitplan braucht Spielraum – der Bericht spricht nur von einer voraussichtlich bis Jahresende vollständigen Open-Source-Veröffentlichung und lässt offen, ob Gewichte, Trainingscode oder Daten freigegeben werden; eine Lizenz wird nicht erwähnt. Offene Gewichte sind nicht gleich eine Open-Source-Lizenz; Rechte für kommerzielle Nutzung, Weitergabe und abgeleitete Modelle lassen sich erst mit dem Lizenztext beurteilen. Im aktuellen Zustand gibt es weder herunterladbare Gewichte noch eine öffentliche API oder Aufrufmethode; kurzfristig lässt sich das Modell nicht in bestehende Dienste integrieren, sodass nur Vorbereitung auf Architekturebene und Abgleich auf Metrikebene bleiben.

Integration und Bewertung

Das Folgende sind bedingte Einschätzungen auf Basis des Berichts, keine von Zhiyuan veröffentlichten Fakten. Entscheidung eins: Soll man in eine Datenrückfluss- und Retraining-Pipeline für Lernen nach dem Deployment investieren? Die im Bericht genannte Änderung ist, dass Genie Master nach eigener Angabe die Erfolgsquote des vollständigen Ablaufs ohne Menschen im Regelkreis von 28,6 % auf 85,7 % steigert, bei einer einzelnen Aufgabe um weitere 17,7 %. Zwei Wege sind möglich: die Policy als eingefrorenes Modell behandeln und nur mit Gedächtnis- und Orchestrierungsebene nachbessern; oder das Sammeln von Fehlertrajektorien, Policy-Updates und schrittweises Ersetzen in den laufenden Betrieb aufnehmen. Die Voraussetzung für die Wahl ist, ob man im eigenen Szenario Sensor- und Ausführungsdaten aus der Zeit vor und nach einem Fehler zuverlässig aufzeichnen und einen rückrollbaren Update-Prozess bereitstellen kann – gelingt das nicht, bleibt nur die Hälfte des Nutzens aus Gedächtnis und Orchestrierung. Als Bewertungsmaßstab sollte man auf einem festen Hold-out-Set der eigenen Aufgaben dieselben Aufgaben oft genug wiederholen, um die natürliche Schwankungsbreite der Erfolgsquote zu messen, und dann prüfen, ob der Zuwachs nach einer Update-Runde deutlich außerhalb dieser Breite liegt, statt nur ein Demonstrationsvideo zu betrachten. Entscheidung zwei: Zero-Shot starten oder zuerst mit wenigen Beispielen feinabstimmen? GO-3 sei auf Zero-Shot-Generalisierung ausgelegt, ungesehene Szenen und Objekte benötigten kein Fine-Tuning; nach dem Fine-Tuning könne es Lego-Teile greifen, ausrichten und einsetzen. Die Entscheidung hängt an zwei Punkten: ob man auf dem Zielroboter Demonstrationsdaten sammeln kann und wie fehlertolerant die Aufgabe ist. Ist die Aufgabe ein langer Ablauf, bei dem ein einzelner Fehlschritt alles scheitern lässt, ist der direkte Zero-Shot-Einsatz riskanter als eine kleine Feinabstimmung. Bewertungsmaßstab: Auf denselben Hold-out-Aufgaben Erfolgsquote, Zahl der menschlichen Eingriffe pro Abschluss und Abschlusszeit von Zero-Shot und Few-Shot vergleichen; erst wenn sich mindestens zwei der drei Werte stabil verbessern, den Umfang erweitern. Entscheidung drei: Auf diese Gewichte warten oder zunächst eine vorhandene Open-Weight-Lösung nutzen? Der Bericht liefert ein Open-Source-Versprechen ohne festen Zeitplan, ohne Lizenz- und Repository-Informationen. Liegt der Projektmeilenstein vor der Veröffentlichung der Gewichte, ist es risikoärmer, die Pipeline zunächst mit einem vorhandenen herunterladbaren Open-Weight-Modell aufzubauen. Die Prüfung lässt sich auf drei Vorbedingungen verkürzen: Gewichte sind herunterladbar, die Lizenz erlaubt den konkreten Einsatzzweck, und die mitgelieferten Inferenzskripte laufen und liefern reproduzierbare Evaluierungsergebnisse; fehlt eine davon, gilt der Stand als nicht bereit.

Grenzen und offene Fragen

Die im Bericht genannten Ranglistenplätze, Erfolgsquoten und Effizienzsteigerungen stammen ausschließlich aus einseitigen Darstellungen von Zhiyuan und Xin Zhiyuan; der Artikel nennt weder Evaluierungsskripte noch die Zusammensetzung des Aufgabensatzes oder eine unabhängige Reproduktion, und einige Zahlen stammen aus vom Hersteller ausgewählten realen Aufgaben. Der Nutzen des Lernens nach dem Deployment hängt von Genie Master, EEP und dem Roboter G2 ab; ob er auf anderer Hardware gilt, wird im Bericht nicht geklärt. Die Open-Source-Ankündigung beschränkt sich auf die Angabe, voraussichtlich bis Jahresende vollständig Open Source zu werden; Lizenz, Repository-Adresse oder Gewichtsdateien werden nicht genannt. Daher ist das Modell derzeit weder herunterladbar noch aufrufbar, und der Bericht enthält keine öffentlichen API- oder Preisinformationen; Aussagen zur Verfügbarkeit richten sich nach der offiziellen Darstellung von Zhiyuan. GO-3 Preview ist nicht im aktuellen Modellkatalog von KimiSeek enthalten; KimiSeek hat diese Version nicht im Angebot, und die im Text genannten Veröffentlichungs- und Verfügbarkeitsangaben beziehen sich auf die Herstellerseite. Zudem stammen die genannten Vergleichsmodelle wie GPT-6 Astra aus der Quelle, deren Evaluierungskonfiguration ebenfalls nicht offengelegt ist.

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

刚刚,国产模型拿下三大榜单第一!年底全面开源

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.