← Alle Modellneuigkeiten

Zhiyuan GO-3 Preview veröffentlicht: Lernen nach dem Deployment, keine Angaben zu Gewichten oder API

Laut Jiqizhixin (机器之心) vom 29. Oktober 2026 hat Zhiyuan das Embodied-Modell GO-3 Preview vorgestellt. Es soll in RoboDojo, RoboTwin und RoboColiseum auf Platz eins liegen; WRAM, Genie Evolver und Genie Master decken Vortraining, Post-Training und Lernen nach dem Deployment ab. Der Bericht erwähnt weder offene Gewichte noch Lizenz oder externe API.

Veröffentlicht Aktualisiert

Was sich geändert hat

Laut Jiqizhixin vom 29. Oktober 2026 stellte Zhiyuan an jenem Tag das Embodied-Modell GO-3 Preview vor und gab an, es belege in den drei Evaluierungen RoboDojo, RoboTwin und RoboColiseum Platz eins; der Lernprozess sei in Vortraining, Post-Training und Lernen nach dem Deployment gegliedert. Auf der Vortraining-Seite stammen laut Bericht rund 90 Prozent der Vortrainingsdaten aus Egoperspektive-Daten von Menschen. Das Modell nutze die WRAM-Architektur: CoAE extrahiere aus Kamerabildern Objektpositionen, Formen und gegenseitige Beziehungen; SVP sage in einem Vorwärtsdurchlauf visuelle Zustände zu mehreren künftigen Zeitpunkten voraus, ein inverses Dynamikmodell wandle dies zusammen mit dem Roboterzustand in Aktionen um; KASO erzeuge mehrere Kandidaten-Zukünfte und wähle anhand der Kompatibilität mit tatsächlichen Aktionen Ergebnisse für das gemeinsame Training aus. Die Fähigkeiten nach dem Vortraining teile der Bericht in zwei Stufen: Zero-shot und Few-shot. Zero-shot bezeichne Transfer ohne aufgabenspezifisches überwachtes Feintuning auf realer Hardware; Few-shot nutze wenige Demonstrationen, um Genauigkeit und Koordination komplexer Manipulation zu verbessern. Das Modell solle mehrere hundert Aufgaben out of the box beherrschen. Die körperübergreifende Demonstration erfolgte auf dem zweibeinigen humanoiden Roboter X2, der mit beiden Händen einen Gegenstand hielt und eine Tür öffnete sowie sich hinkniete, um einen Gegenstand aufzuheben. Auf der Post-Training-Seite verbinde Genie Evolver reale Roboter im Maßstab von hundert Einheiten, physikalische Simulation und Weltmodelle zu einer verteilten Umgebung und fasse Ausführungserfahrung mit CEL (kollektives Erfahrungslernen) zusammen. Die genannten Zahlen: Bei gleicher Trainingszeit steige mit der Zahl der beteiligten realen Roboter die Erfolgsquote bei der Smartphone-Verpackung von 50,8 Prozent auf 98,3 Prozent; bei einem langen mehrstufigen Smartphone-Verpackungsablauf sinke die Fehlschlagzahl in 120 Tests von 25 auf 2. Nach dem Deployment verknüpfe das Agent-Framework Genie Master mit EEP Fähigkeitsaufrufe, Ausführungsfeedback und Replanung an Unterbrechungspunkten und speichere erfolgreiche, fehlgeschlagene und durch Ausnahmebehandlung wiederhergestellte Fälle als Erinnerung oder Trainingsdaten. Der Bericht gibt an, der mit diesem Framework ausgestattete G2 sei bereits in einem realen Convenience Store beim Auffüllen, bei der Entnahme und beim Verpacken von Fertiggerichten validiert worden.

Auswirkungen für Entwickler

Der Bericht sagt weder, ob die Gewichte von GO-3 Preview offen sind, noch welche Lizenz gilt; externe API oder SDK nennt er nicht. Allein auf dieser Quelle können Entwickler daher nicht entscheiden, ob sie das Modell herunterladen oder aufrufen können; die Meldung ersetzt derzeit keinen bestehenden Integrationsweg und ist eher ein Signal auf Methoden- und Evaluierungsebene. Drei Punkte sind festzuhalten. Erstens: Wenn Daten aus der Deployment-Phase in die Policy zurückfließen, ist das Modell kein bei Veröffentlichung fester Checkpoint; dieselbe Maschine und derselbe Befehl können zu verschiedenen Zeiten auf unterschiedliche Policies treffen, sodass Annahmen zu Reproduzierbarkeit und Regressionstests angepasst werden müssen – dies ist eine Schlussfolgerung aus der Berichtsbeschreibung, keine Aussage der Quelle. Zweitens trennt der Bericht Zero-shot und Few-shot ausdrücklich: Zero-shot meint Transfer ohne aufgabenspezifisches überwachtes Feintuning auf realer Hardware, Few-shot nutzt wenige Demonstrationen für Genauigkeit und Koordination. Das ist eine direkt übernehmbare Aufteilung für Evaluierungen und praktikabler als ein pauschales „out of the box“. Drittens wurde körperübergreifende Fähigkeit nur auf X2 mit beidhändigem Türöffnen und Aufheben aus dem Knien gezeigt; Daten zu anderen Roboterarmen und Greifern nennt der Bericht nicht, die Kosten des Körpertransfers bleiben unbekannt. Einschränkend: Die drei Spitzenplätze, Erfolgsquoten und Fehlschlagzahlen sind Herstellerangaben. Die Quelle nennt keine Einzelwerte, Wettbewerber, Benchmark-Versionen, Tasksets oder Zufallsseeds; auch für die Aussage, in wenigen Stunden eine höhere Siegquote als normale menschliche Spieler erreicht zu haben, fehlen Stichprobengröße und Regelwerk. Diese Angaben taugen nur als richtungsweisende Signale, nicht als Auswahlgrundlage.

Integration und Bewertung

Die folgenden Empfehlungen und bedingten Analysen sind keine berichteten Fakten. Erstens: Sollte ein Budget für Demonstrationsdaten eingeplant werden? Der Bericht gibt an, das Modell beherrsche mehrere hundert Aufgaben out of the box und könne nach Feintuning mit wenigen Demonstrationen auch kontaktintensive Bewegungen wie Lego-Zusammenbau ausführen. Wenn Ihre Aufgaben vor allem Greifen und Platzieren umfassen und Roboter sowie Demonstrationsaufbau ähnlich sind, können Sie zunächst den Zero-shot-Weg gehen; bei Einsteck-, flexiblen oder hochpräzisen Ausrichtungsaufgaben sollten Sie Demonstrationsdaten vorbereiten. Kriterium: dieselbe Aufgabe auf demselben Roboter mindestens fünfzigmal je Variante laufen lassen und den Erfolgsquotenunterschied zwischen Zero-shot und wenigen Demonstrationen vergleichen. Der Unterschied muss die Erfassungs- und Annotationskosten rechtfertigen, sonst zurück zu Zero-shot. Zweitens: Sollte in kollektives Erfahrungslernen mit mehreren Maschinen investiert werden? Laut Bericht stieg bei gleicher Trainingszeit mit der Zahl beteiligter realer Roboter die Erfolgsquote bei Smartphone-Verpackung von 50,8 auf 98,3 Prozent; CEL ruft erfolgreiche Segmente ab, analysiert Fehlerkontext und aktualisiert die gemeinsame Policy. Voraussetzung sind mehrere parallel erfassende reale Roboter, standardisierte Aufgaben sowie stabile Umgebungsrücksetzung und Datenpipeline. Mit nur einem Gerät entfällt dieser Nutzen; dort sollte zuerst eine Einzelmaschinen-Baseline stehen. Die Quelle sagt zudem nicht, ob die Roboter identische Körper benötigen – das ist eine beim Hersteller zu klärende oder selbst zu prüfende Annahme, keine bekannte Bedingung. Kriterium: Fehlschlagzahl in festen Episodenchargen (etwa 120 pro Charge); sie muss unter der Cluster-Policy gegenüber der Einzelmaschinen-Baseline anhaltend sinken, während Rückschritte bei bestehenden Aufgaben zu überwachen sind. Drittens: Sollten Online-Policy-Updates nach dem Deployment erlaubt werden? Genie Master bietet laut Bericht zwei Wege: Erfahrung geht in Prompt und Gedächtnis ein, um die Aufgabenplanung zu verbessern, oder Ausführungs- und Wiederherstellungsdaten fließen in das Training der Aktionspolicy. Bei nicht umkehrbaren Aufgaben oder Gefahr für Personen sollte zunächst nur die Gedächtnisebene aktiviert und eine menschliche Rückfallebene erhalten bleiben; bei umkehrbaren Aufgaben mit Shadow-Modus kann die Policy-Aktualisierung später freigegeben werden. Kriterium: Veränderung der Bestehensquote auf einem eingefrorenen Evaluierungsset vor und nach jedem Update sowie die Fähigkeit, innerhalb akzeptabler Zeit auf die Vorversion zurückzurollen.

Grenzen und offene Fragen

GO-3 Preview ist derzeit nicht im Modellkatalog von KimiSeek; der Bericht nennt keine externe API. Sollte später eine API oder Gewichte erscheinen, gilt die Erklärung von Zhiyuan; der Katalog dieser Seite belegt keine Verfügbarkeit. Ob Gewichte veröffentlicht werden und welche Lizenzbedingungen gelten, sind zwei verschiedene Dinge; die Quelle sagt zu beidem nichts, aus „nicht erwähnt“ folgt weder „nicht offen“ noch „bereits offen“. Die drei Spitzenplätze sind Herstellerangaben; die Quelle nennt keine Gegnerlisten, konkreten Punktzahlen, Benchmark-Versionen, Tasksets oder Reproduktionsmaterialien, daher lassen sich Vorsprung und Vergleichbarkeit nicht beurteilen, und ein öffentlicher Vergleich ist weder zu bestätigen noch zu verneinen. Die Steigerung der Erfolgsquote von 50,8 auf 98,3 Prozent und der Fehlschläge von 25 auf 2 stammen aus Herstellerexperimenten; Angaben zu Zufallsseeds, Fehlschlagkriterien und Umfang menschlicher Eingriffe fehlen. Die Aussage, Physical RSI werde branchenweit erstmals in einem realen Geschäftsszenario validiert, ist eine Herstelleraussage ohne unabhängige Prüfung; Dauer, Zahl der Filialen und Anomalierate der Convenience-Store-Validierung werden nicht genannt. Auch zu Schwellenwerten für Rechenleistung und zu Kosten von Training oder Deployment macht der Bericht keine Angaben, und ob die realen Roboter im Skalenexperiment identische Körper hatten, bleibt offen.

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,机器人学习进入「全链路Scaling」时代

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