Westlake Robotics aktualisiert General-Brain WR1: Zwei-Roboter-Falten und durchgängige Haushaltsaufgaben über drei Räume
Laut einem Bericht vom 10. Oktober 2026 hat das in Hangzhou ansässige Unternehmen Westlake Robotics eine aktualisierte Version seines General-Brain-Modells WR1 vorgestellt, das ein Weltmodell mit einer VLA-Architektur verbindet. In einer durchgehenden Demonstration absolvierte es Aufgaben wie das Aufnehmen von Kleidung, das kooperative Falten von Hosen durch zwei Roboter, das Einlegen von Mais in eine Heißluftfritteuse, das Einsammeln von Stofftieren und das Ordnen einer Decke über drei Bereiche hinweg – Küche, Wohnzimmer und Schlafzimmer. Das autonome Falten von Kleidung mit einer multifingrigen Hand wird als weltweit erstes Demonstrationsbeispiel bezeichnet.
Was sich geändert hat
Laut einem Bericht vom 10. Oktober 2026 hat Westlake Robotics mit Sitz in Hangzhou, entstanden aus der Kommerzialisierung von Forschungsergebnissen der Westlake University in den Bereichen KI und Robotik, eine aktualisierte Version seines General-Brain-Modells WR1 vorgestellt. Dem Bericht zufolge nutzt WR1 eine duale Vortrainingsarchitektur aus allgemeinem Groß- und Kleinhirn, die ein Weltmodell mit einem Vision-Sprache-Aktions-Modell kombiniert. Auf Basis visueller Beobachtungen und Sprachbefehlen gibt es einheitlich vollständige Aktionssequenzen aus, die Körperbewegung, Ganzkörperhaltung und multifingrige Handmanipulation umfassen; die Ganzkörpersteuerung wird vom selbst entwickelten allgemeinen Aktionsmodell GAE ausgeführt. Die Demonstration besteht aus zwei Teilen: Im ersten Teil nimmt der Roboter eine lange Hose vom Wäscheständer, legt sie sich über den Arm und beobachtet und korrigiert kontinuierlich unter Störungen wie einem schwankenden Wäscheständer und verschobenen Positionen zweier T-Shirts. Anschließend wirft er ein T-Shirt einem Roboterarm zu, der es autonom faltet, und wendet sich dann einer Tischplatte zu, um die lange Hose auszubreiten und gemeinsam mit einem weiteren humanoiden Roboter zu falten. Das autonome Falten von Kleidung durch multifingrige Hände humanoider Roboter wird im Bericht als weltweit erstes Demonstrationsbeispiel bezeichnet. Im zweiten Teil durchquert der Roboter Küche, Wohnzimmer und Schlafzimmer und erledigt nacheinander das Öffnen des Kühlschranks und Entnehmen von Mais, eine U-förmige Wendung zur Heißluftfritteuse und das Einlegen des Maises, das Bücken zum Einsammeln von Stofftieren von Sofa und Couchtisch sowie das Ordnen einer Decke. Dem Bericht zufolge war während des gesamten Ablaufs weder ein manueller Reset noch eine abschnittsweise Befehlseingabe erforderlich. Der Bericht erwähnt zudem, dass WR1 Mechanismen zur Rückblickenden Bewegungszustandskontrolle über kurze und lange Zeiträume sowie zur Echtzeit-Aktionsaufteilung einführt, um Pausen durch Aktualisierungen zu reduzieren, und dass ein anpassbarer Vorausschau-Mechanismus Ausführungsverzögerungen kompensiert. Die Quelle erwähnt, dass das Unternehmen mehrere Finanzierungsrunden in Höhe von mehreren hundert Millionen Yuan abgeschlossen hat, ohne Parameteranzahl, Trainingsdatenumfang oder Inferenzlatenz zu veröffentlichen.
Auswirkungen für Entwickler
Zunächst die Kategorieeinordnung: WR1 ist ein hardwaregekoppeltes System für verkörperte Intelligenz und gehört nicht zur selben Produktform wie die auf KimiSeek verfügbaren Sprach- und Multimodalmodelle DeepSeek, Qwen, GLM und Kimi. Entwickler können es nicht direkt über bestehende Text- oder Bild-API-Aufrufpfade nutzen, insbesondere nicht den Teil der Ganzkörpersteuerung. Für Teams, die sich mit Robotik-Stacks und VLA-Richtungen befassen, liegt der analysierbare Wert dieser Veröffentlichung in der offengelegten Beschreibung der Architekturschichtung und der Aufgabenübergangsmechanismen: Multimodales Verständnis, Weltmodellvorhersage und Ganzkörpersteuerung werden in zwei Ebenen aufgeteilt – ein allgemeines Gehirn und ein Ausführungsmodell –, und ein Aufgabenmanagementmodul organisiert den Befehlsfluss. Dieser Ansatz entspricht der aktuellen Hauptrichtung der VLA-Forschung. Die Aussagen im Bericht, man orientiere sich an Figure- und Helix-Lösungen oder übertreffe sie sogar, sowie die Behauptung, es sei die weltweit erste Demonstration des autonomen Kleidungsfaltens mit multifingrigen Händen, sind einseitige Behauptungen der Quelle und sollten ohne Drittreproduktion oder Kennzahlenvergleich nicht als verifizierte Schlussfolgerungen zitiert werden. Darüber hinaus finden solche Demonstrationen üblicherweise in kontrollierten Kulissen statt. Ob die raumübergreifende Kohärenz in unstrukturierten realen Haushaltsumgebungen stabil aufrechterhalten werden kann, dazu liefert die Quelle keine Angaben zu Fehlerraten, Anzahl der Versuche oder möglichen Schnitten, sodass daraus kein Rückschluss auf den technischen Reifegrad gezogen werden sollte. Für Entwickler auf der Modellseite ist die praktischere Erkenntnis der Zusammenhang zwischen Einzelschritt-Erfolgsrate und Gesamterfolgsrate bei langfristigen Aufgaben sowie deren Abnahme (Degradation) über die Schrittzahl hinweg, und die Frage, ob Mechanismen zur Zustandsrückschau Pausen an Aktionsübergängen mildern können. Diese beiden Punkte ähneln in ihrer Problemstruktur der langkettigen Agent-Orchestrierung und können als Analogie dienen, sind aber nicht mit direkt wiederverwendbaren technischen Lösungen gleichzusetzen.
Integration und Bewertung
Das Folgende ist eine bedingte Analyse und Empfehlung, keine von der Quelle mitgeteilte Tatsache. Erstens: Wenn Ihr Team an langkettiger Agent- oder Robotik-Aufgabenorchestrierung arbeitet, lohnt sich ein Abgleich mit der von der Quelle beschriebenen Rückblickenden Bewegungszustandskontrolle über kurze und lange Zeiträume sowie der Echtzeit-Aktionsaufteilung: Bei der Generierung des nächsten Aktionssegments wird die gerade ausgeführte Trajektorie in den Kontext einbezogen. Ob sich die Einführung lohnt, hängt von der Länge Ihrer Aufgabenkette ab – wenn die Einzelschritt-Erfolgsrate hoch ist, aber die End-to-End-Erfolgsrate mit der Schrittzahl deutlich abnimmt, bringt ein solcher Zustandsübergangsmechanismus den größten Nutzen. Als Bewertungskriterium lässt sich die End-to-End-Erfolgskurve derselben Aufgabe bei einer Schrittzahlsteigerung von drei auf zehn Schritte festlegen, um zu beobachten, ob ihre Abfallsteigung abgeflacht wird. Zweitens: Wenn Ihr Team sich mit der Manipulation flexibler Objekte oder verformbarer Gegenstände befasst, nennt die Quelle die kontinuierliche Formänderung von Objekten, externe Störungen und die Zwei-Roboter-Kooperation als Hauptschwierigkeiten; dem entspricht die Wahl, ob Sie in eine geschlossene Wahrnehmungsschleife investieren oder auf vorgegebene Trajektorien setzen. Wenn das Manipulationsobjekt ein verformbarer Gegenstand wie Kleidung ist und Störquellen wie wackelnde Halterungen oder bewegte Objekte in der Szene vorhanden sind, ist eine geschlossene Wahrnehmungsstrategie wahrscheinlicher wirksam. Als Bewertungskriterium lässt sich der Rückgang der Aufgaben-Erfolgsrate nach künstlich eingeführten Störungen gegenüber der ungestörten Baseline festlegen, beispielsweise ob der Erfolgsratenrückgang nach Wackeln der Halterung oder Änderung der Objektstartposition im akzeptablen Bereich bleibt. Drittens: Wenn Ihr Team eine ähnliche geschichtete Architektur nachbilden möchte, müssen Sie zunächst klären, ob Sie über die Voraussetzungen für eine einheitliche Erfassung von Trainingsdemonstrationen und autonomen Ausführungsdaten verfügen: Die Quelle gibt an, dass GAE gleichzeitig die Steuerung in beiden Phasen – Demonstrationserfassung und autonome Ausführung – übernimmt und dieselbe Steuerungsbasis teilt. Diese Voraussetzung gilt nicht für Teams, die nur Inferenzseitendaten, aber keine Teleoperations-Datenkette für den eigenen Körper besitzen; in diesem Fall sollte das geschichtete Schema nicht einfach übernommen werden. Die vorstehenden Empfehlungen bedeuten nicht, dass die Quelle entsprechende Daten geliefert hat.
Grenzen und offene Fragen
Klarzustellen ist: Die Version WR1 ist derzeit nicht auf der KimiSeek-Plattform gelistet. Auf dieser Seite sind Sprach- und Multimodalmodelle wie DeepSeek, Qwen, GLM und Kimi verfügbar, die eine andere Kategorie als Systeme für verkörperte Intelligenz darstellen. Sollte die Quelle später eine API- oder kommerzielle Verfügbarkeit erwähnen, bezieht sich das auf die Herstellerseite und nicht auf diese Seite; konkrete Abrechnung und Öffnungsmodalitäten richten sich nach den offiziellen Angaben des Herstellers. Die Quelle wurde vom Unternehmen selbst veröffentlicht; die Demonstration ist eine Selbstdarstellung der Leistung und es fehlen unabhängige Angaben Dritter, Fehlerratenstatistiken, Versuchsanzahlen sowie Hinweise auf mögliche Schnitte. Formulierungen wie weltweit erstes oder Übertreffen der Helix-Lösung im Bericht sind einseitige Behauptungen der Quelle und sollten nicht als verifizierte Tatsachen zitiert werden. Die Quelle hat weder die Parameteranzahl von WR1 noch den Trainingsdatenumfang noch die Inferenzlatenz veröffentlicht, noch Angaben dazu, ob Gewichte offengelegt oder eine API bereitgestellt wird; auch wurden Hardwarekosten und Einsatzbedingungen der Demonstration nicht erläutert. Daher sind die technische Nutzbarkeit und die Reproduzierbarkeit nicht beurteilbar. Das Veröffentlichungsdatum dieses Berichts ist der 10. Oktober 2026; die Quelle nennt kein separates Datum für die Aufnahme und Veröffentlichung der Demonstration. Maßgeblich für die Zeitpunkte sind die aktuellen Angaben der offiziellen Kanäle von Westlake Robotics.