← Alle Modellneuigkeiten

源策未来 veröffentlicht Ganzkörper-Steuerungsmodell Anchor 1: Bericht meldet 28 % geringeren Handgelenkfehler, Gewichte ab Ende 2026 schrittweise geplant

Laut einem Bericht von Jiqizhixin vom 6. November 2026 hat das Unternehmen Yuance Weilai (Archon Robotics) das Ganzkörper-Steuerungsmodell Anchor 1 veröffentlicht, das als „Kleinhirn“ der Ebene System 0 positioniert ist: Im Test an realen Robotern lagen die globalen Positionsfehler von Handgelenken und Fußgelenken laut Bericht etwa 28 % bzw. 39 % unter der bisher besten Vergleichsmethode, die Erfolgsquote bei der Demonstration von Fußtritten gegen Kartons per Teleoperation stieg von 37,5 % auf 98,0 %; Gewichte und Deployment-Code sollen ab Ende 2026 in Phasen freigegeben werden.

Veröffentlicht Aktualisiert

Was sich geändert hat

Laut einem Bericht von Jiqizhixin vom 6. November 2026 hat das Unternehmen für embodied AI Yuance Weilai (Archon Robotics) das Ganzkörper-Steuerungsmodell Anchor 1 vorgestellt und einen 32-seitigen technischen Bericht sowie eine Projektseite veröffentlicht. Es ordnet Anchor 1 als Ebene System 0 (S0) in eine Ganzkörper-Intelligenzarchitektur ein, also als „Kleinhirn“, das Anweisungen stabil in Ganzkörperbewegungen umsetzt. Dem Bericht zufolge enthalten die von Anchor 1 ausgegebenen Befehle nur fünf Körperteile: Becken, linkes und rechtes Handgelenk sowie linken und rechten Fußgelenk; für jedes Teil werden Zielposition und Orientierung angegeben, die übrigen Gelenke bleiben unspezifiziert. Beim Deployment erfolgt keine Online-Retargeting; stattdessen wird zunächst mit der jeweiligen T-Pose von Bediener und Roboter eine einmalige Kalibrierung durchgeführt, danach werden feste Skalierungs-, Rotations- und Offset-Parameter Bild für Bild angewendet, um menschliche Bewegungen auf den Robotermaßstab zu übertragen. Auf der Trainingsseite wird das Retargeting in die Offline-Phase vorverlagert: Zu jeder menschlichen Bewegung wird eine retargetete Roboterbewegung als Überwachungs- und Belohnungssignal erzeugt; nach automatischer Qualitätskontrolle und manueller Prüfung umfasst der Trainingsdatensatz 406.222 Bewegungssegmente mit rund 1081 Stunden, davon 77 % aus eigenen Motion-Capture-Daten. Zur Fehlerkorrektur gehen die Trackingfehler von Hand- und Fußgelenken nicht in den Encoder ein, sondern werden unter Umgehung der Tokens direkt an den Decoder übergeben; zusätzlich wird ein Trajektorienkopf trainiert, um Zielposen zu rekonstruieren, wenn die obere Ebene nur Tokens liefert. Die Tests an realen Robotern wurden auf einem Unitree G1 durchgeführt: Laut Bericht lagen bei 72 Ganzkörper-Manipulationsbewegungen die globalen Positionsfehler von Hand- und Fußgelenken etwa 28 % bzw. 39 % unter der bisher besten Vergleichsmethode; die Erfolgsquote bei der Demonstration von Fußtritten gegen Kartons per Teleoperation stieg von 37,5 % auf 98,0 %, die Zahl erfolgreicher Demonstrationen pro Stunde von 9 auf 43; bei der Aufgabe, Hausschuhe aufzuheben, wurden 62 pro Stunde bei einer Erfolgsquote von 97,37 % erreicht. Das Team hat zudem drei Evaluierungs-Tracks eingerichtet – In-house, Public und Reachability –, die anhand eines Fehlerschwellenwerts über den gesamten Verlauf bewerten, ob ein einzelnes Bewegungssegment erfolgreich war. Der Bericht ordnet die Veröffentlichung in einen größeren Zusammenhang ein: Ende Januar dieses Jahres habe Figure System 0 in Helix 02 aufgenommen, im Februar habe Nvidia das Open-Source-Grundmodell SONIC für Ganzkörpersteuerung veröffentlicht, danach hätten auch Google DeepMind und Zhiyuan entsprechende Modelle vorgestellt. Zum Freigabeplan erklärt Yuance Weilai, Ende 2026 in Phasen die Modellgewichte und den Deployment-Code von Anchor 1 sowie die Teleoperations- und Demonstrationsdatenerfassungskette auf Basis von PICO und Noitom PN-LINK freigeben zu wollen.

Auswirkungen für Entwickler

Für Entwickler ist an dieser Nachricht weniger eine einzelne Benchmark-Zahl entscheidend als die Form der Schnittstelle. Die im Bericht beschriebenen zwei Steuerungspfade – Teleoperation oder eine obere Strategie gibt fünf Ankerpunkte aus, beziehungsweise eine obere Strategie gibt direkt Motion-Tokens aus – entscheiden darüber, ob man die Datenerfassungspipeline oder die Ausgabeschicht der Strategie anpasst. Wenn der bestehende Stack beim Deployment Online-Retargeting betreibt, verlagert der Anchor-1-Ansatz diesen Schritt ins Offline-Training, und die Deployment-Seite überträgt nur fünf Ankerpunkte; laut Bericht genügen dafür 60 Millisekunden zukünftiger Befehle, während die Vergleichslösungen 80 bis 90 Millisekunden benötigen. Zudem wird gezeigt, dass sich die vier Eingabegeräte Xsens, CHINGMU, Noitom PN-LINK und PICO in fünf Ankerpunkte umrechnen lassen und Bediener mit 165 bis 188 Zentimetern Körpergröße und 50 bis 80 Kilogramm Gewicht direkt loslegen können. Änderungen der Erfassungseffizienz wirken sich auf die Kosten aus: Die im Bericht genannte Steigerung von 9 auf 43 erfolgreiche Demonstrationen pro Stunde bedeutet, dass der Mensch-Roboter-Zeitaufwand für dieselbe Demonstrationsmenge sehr unterschiedlich ausfallen kann; dies ist jedoch ein Selbsttest von Yuance Weilai auf dem G1 und keine auf andere Roboterkörper übertragbare allgemeine Schlussfolgerung. Auch die Evaluierungsmethodik verdient Beachtung: Laut Bericht nähern sich die Erfolgsquoten der Methoden bei gelockertem Schwellenwert einander an, und erst bei einer Verschärfung auf 10 Zentimeter treten Unterschiede hervor; das zeigt, dass ein Vergleich von Controllern anhand des durchschnittlichen Trackingfehlers über das gesamte Segment kurze, aber fatale Abweichungen leicht verbergen kann. Außerdem kann die obere Strategie dem Bericht zufolge nur Motion-Tokens ausgeben, die von einem eingefrorenen Anchor 1 ausgeführt werden, was die Arbeitsteilung von „großem Modell plus Controller“ verändert. All dies sind Aussagen aus Bericht und Berichterstattung; eine unabhängige Reproduktion ist bislang nicht bekannt. Vor der Integration sollten Schnittstelle, Latenz und Evaluierungsmethodik als drei unabhängige Variablen getrennt geprüft werden, statt die Rangfolge im Bericht direkt als Auswahlgrundlage zu nehmen.

Integration und Bewertung

Im Folgenden handelt es sich um bedingte Analysen und Empfehlungen, nicht um Fakten aus dem Bericht. Erstens: Entscheiden Sie, ob die Eingabeschnittstelle fünf Ankerpunkte verwendet oder beim Online-Retargeting bleibt. Wenn die vorgelagerten Daten Skelettdaten von Xsens, CHINGMU, PN-LINK oder PICO sind und der nachgelagerte Roboter ein G1-ähnlicher Körper ist, beschreibt der Bericht den Weg: einmal kalibrieren, feste Parameter Bild für Bild anwenden, beim Deployment keine Echtzeitberechnung der Gelenkwinkel mehr. Unterscheiden sich jedoch Gelenkstruktur Ihres Roboters und Körperbau des Bedieners deutlich, müssen Sie die Annahmen dieser Kalibrierung selbst erneut prüfen. Ein messbares Kriterium ist: Mit eigenen Referenzbewegungen den Anteil der Bewegungen ermitteln, deren Positionsfehler an Hand- und Fußgelenken über den gesamten Verlauf 10 Zentimeter nicht überschreitet, diesen mit der bestehenden Online-Retargeting-Pipeline auf derselben Bewegungsmenge vergleichen und zugleich die Zahl der Befehlssprünge erfassen. Zweitens: Entscheiden Sie, ob die obere Strategie als Schnittstelle fünf Ankerposen oder Motion-Tokens bereitstellt. Ist die obere Ebene ein großskaliges VLA-Modell, das kompakte strukturierte Eingaben benötigt, sind Tokens für das Training günstiger; geht es jedoch um Teleoperation zur Demonstration und ist Genauigkeit am kritischsten, empfiehlt der Bericht selbst, vorrangig die fünf Ankerpunkte direkt zu übertragen, weil die Rekonstruktion des Ziels aus Tokens Genauigkeitsverluste bringt (in der Simulation stieg der lokale Positionsfehler von 21,9 Millimeter auf 22,4 Millimeter). Messbare Kriterien sind die Aufgaben-Erfolgsquote bei fester Versuchszahl sowie die Erfolgsquotendifferenz derselben Aufgabe mit der jeweils anderen Schnittstelle. Drittens: Legen Sie die Evaluierungsmethodik fest. Der Wechsel von „durchschnittlichem Trackingfehler über das gesamte Segment“ zu einer Bewertung mit Schwellenwert pro Bild setzt voraus, dass Sie Referenzbewegungen besitzen, die nicht ins Training eingegangen sind, und dass Sie Prozesskennzahlen wie Anzahl der Rutschvorfälle und überflüssiger Schritte akzeptieren. Ein messbares Kriterium ist, ob die Erfolgsquotendifferenz zwischen den Methoden beim strengsten Schwellenwert noch deutlich ausfällt; verschwindet sie bei gelockertem Schwellenwert, hat diese Evaluierung für die aktuelle Auswahl keine Trennschärfe.

Grenzen und offene Fragen

Bericht und Berichterstattung nennen Einschränkungen. Die Evaluierung wurde nur an einem humanoiden Roboter (Unitree G1) durchgeführt, ohne strengen Vergleich über verschiedene Roboterkörper hinweg; die genannten Fehler und Erfolgsquoten lassen sich nicht ohne Weiteres auf andere Modelle übertragen. Die fünf Ankerpunkte beschreiben nur, wohin der Körper gelangen soll, nicht Objektgeometrie, Kontaktkräfte oder Griffstabilität; präzises Folgen der Bewegung bedeutet nicht stabiles Greifen. Bei autonomer Ausführung liegt die Erfolgsquote beim Aufheben von Hausschuhen bei 45 %, und der Bericht räumt ein, dass autonome Ganzkörpermanipulation noch weit von Reife entfernt ist. Der Genauigkeitsverlust durch die Rekonstruktion des Ziels aus Tokens muss noch verringert werden. Der Bericht weist darauf hin, dass die im Public Track verglichenen Methoden während des Trainings möglicherweise Teile öffentlicher Daten gesehen haben, und die Berichterstattung nennt das „gängige Open-Source-Modell zur Ganzkörpersteuerung“ nie beim Namen; die Reproduzierbarkeit des Quervergleichs ist daher begrenzt. Zur Freigabe heißt es im Bericht nur, dass Modellgewichte und Deployment-Code in Phasen freigegeben werden sollen; Lizenzbedingungen werden nicht genannt, daher dürfen „offene Gewichte“ nicht als Open-Source-Lizenz verstanden werden. Die Gewichte und der Deployment-Code sollen Ende 2026 in Phasen freigegeben werden und sind derzeit noch nicht verfügbar; alle in diesem Text genannten Fähigkeiten, Fehler- und Effizienzwerte sind Angaben des Herstellers. Klarstellen muss man: Anchor 1 erscheint derzeit nicht im Modellkatalog von KimiSeek, und der Bericht erwähnt keine gehostete API; die genannten Freigabepläne, Verfügbarkeitszeitpunkte und zugehörigen Ketten beziehen sich auf Angaben von Yuance Weilai und nicht auf Dienste, die diese Seite bereits anbietet oder bereitstellt. Für die tatsächliche Integration ist der Kanal des Herstellers maßgeblich.

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,源策未来发布 Anchor 1:让人形机器人真正做到精准控制

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