ZTE EmbodiedMind verlagert die GRPO-Vorteilsberechnung auf Aktionspräfixe: dreistufiges Training eines 8B-Embodied-Modells und prüfbare Punkte
Laut einem am 6. November 2026 von Jiqizhixin in Form einer „Veröffentlichung“ publizierten Beitrag von ZTE schlägt die Arbeit EmbodiedMind ein dreistufiges Trainingsparadigma aus RSFT, IR-GRPO und Trie-GRPO vor; das 8B-Modell erreiche demnach auf 18 Embodied-Benchmarks durchschnittlich 70,02 % und bei der Langfrist-Planung eine Verbesserung von 30,31 % gegenüber dem derzeit besten Verfahren. Zudem heißt es, Nebula-EmbodiedBrain-180B belege in der SuperCLUE-Rangliste der verkörperten Modelle vom September gemeinsam mit Qwen3.8-Max-0902 den ersten Platz in China. Gewichte, Code oder API-Zugang werden in dem Beitrag nicht erwähnt.
Was sich geändert hat
Am 6. November 2026 veröffentlichte Jiqizhixin in Form einer „Veröffentlichung“ einen Beitrag von ZTE zu einem Embodied-Modell. Dem Beitrag zufolge stellt das ZTE-Team in der Arbeit „EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence“ ein dreistufiges Trainingsparadigma vor: Zuerst werden mit RSFT Stichproben anhand der Ergebnisse mehrerer Inferenzläufe mit hohem Temperaturkoeffizienten geschichtet — alles richtig gilt als einfache Stichprobe, teilweise richtig als unsichere Stichprobe, alles falsch als schwierige Stichprobe; das Trainingsset behält nur die unsicheren Stichproben und einen bestimmten Anteil einfacher Stichproben. Danach wird mit IR-GRPO für jeden Aufgabentyp eine eigene FIFO-Warteschlange geführt, der effektive Stichprobenanteil je Aufgabe per exponentiellem gleitendem Mittelwert geglättet und das Sampling-Kontingent der nächsten Runde dynamisch angepasst. Schließlich werden mit Trie-GRPO alle Sampling-Trajektorien parallel in einen Aktionspräfixbaum eingefügt; Trajektorien, die dasselbe historische Präfix teilen, bilden an Verzweigungspunkten Geschwister-Untergruppen, der relative Vorteil wird nur zwischen Geschwisterknoten berechnet und mit diskontiertem Return entlang des Baumpfads zurückpropagiert; Stichproben mit nahezu null liegendem Vorteil werden gefiltert, um die Explorationskosten zu begrenzen. Laut dem Beitrag benötigt EmbodiedMind-8B nur 522.000 Trainingsstichproben und erreicht auf 18 Benchmarks, die allgemeines multimodales Verständnis, 2D-Raumlogik, 3D-Raummetrik und Aufgabenplanung abdecken, durchschnittlich 70,02 %; die Genauigkeit bei der Langfrist-Planung liege 30,31 % über dem derzeit besten Verfahren. Die Arbeit sei bei der ICRA 2027 eingereicht. Der Beitrag nennt zudem konkrete Vergleiche: Auf VLM-PlanSim-99 mit bis zu 25 Schritten werden 66,67 erreicht, mehr als bei Cosmos3-Nano; die Erfolgsrate auf ALFWorld-thor liegt bei 60,45 % gegenüber 46,27 % bei SEEA-R1; auf 50 mit AgiBot A2 aufgebauten Tischszenarien und 160 Überwachungsvideos zur Aufgabenausführung erreicht die Planung zum Aufräumen des Tisches 62,00 % (gegenüber 40,00 % bei Qwen3-VL-8B) und die Genauigkeit der Aufgabenausführungsüberwachung 55,31 % (gegenüber 46,88 %). Derselbe Beitrag berichtet außerdem, Nebula-EmbodiedBrain-180B erreiche in der SuperCLUE-Rangliste EmbodiedCLUE-VLA für verkörperte Modelle vom September 2026 mit 77,48 Punkten gemeinsam mit Qwen3.8-Max-0902 den ersten Platz in China, in der Einzelkategorie Embodied Safety 97,92 Punkte.
Auswirkungen für Entwickler
Zuerst ist zu trennen, woran man andocken kann und was man übernehmen kann. Der Beitrag erwähnt weder veröffentlichte Gewichte noch ein Code-Repository oder eine gehostete Schnittstelle für EmbodiedMind-8B oder Nebula-EmbodiedBrain-180B; die beiden Namen entsprechen derzeit also keinem direkt aufrufbaren oder lokal einsetzbaren Objekt. Analysierbar sind hier Trainingsmethode und Bewertungsmaßstab. Wer Reinforcement-Learning-Nachtraining für Embodied- oder VLA-Modelle betreibt, für den ändert die Definition der „Gruppe“ — auf Ebene der gesamten Trajektorie oder auf Ebene des Aktionspräfixes — unmittelbar die Gradientenzusammensetzung fehlgeschlagener Trajektorien: Nach der Erklärung im Beitrag bestraft ein trajektorienweiter Vorteil auch die korrekten Zwischenaktionen einer gescheiterten Trajektorie, während der Präfixbaum den Vergleich auf Geschwisterknoten beschränkt und Stichproben mit nahezu null Vorteil filtert, um tragbare Explorationskosten zu erreichen. Diese Änderung hängt nicht von einem bestimmten Basismodell ab und lässt sich prinzipiell in eigene GRPO-Implementierungen übertragen; der Preis ist die Anforderung, dass die Umgebung Verzweigungen beproben kann. Für eher auf Evaluation ausgerichtete Entwickler ist eine weitere nutzbare Spur eine Drittanbieter-Rangliste: Die SuperCLUE-Zählung vom September stellt Modelle der 180B-Klasse in dieselbe Kategorie wie Modelle mit 2,4 Billionen Parametern, und der Beitrag stellt ausdrücklich fest, dass internationale Referenzmodelle nicht in die nationale Rangliste einfließen; die genannten Referenzwerte (GPT-6 Astra 86,75, Gemini-3.8-Flash 82,12) liegen jedoch über 77,48. Beim Lesen solcher Ranglisten sind Rangbereich und absolute Punktzahl getrennt zu betrachten. Insgesamt ist dies ein Fortschritt auf Methodenebene, keine unmittelbar nutzbare Modellveröffentlichung.
Integration und Bewertung
Die folgenden Hinweise sind bedingt und keine berichteten Fakten. Hinweis eins: Sollte die Vorteilsgruppierung von GRPO von der gesamten Trajektorie auf das Aktionspräfix verlegt werden? Die im Beitrag berichtete Änderung ist Trie-GRPO: Standard-GRPO wendet den trajektorienweiten Vorteil gleichmäßig auf alle Token an; scheitert eine Trajektorie am Ende, werden auch ihre korrekten Zwischenentscheidungen mitbestraft. Der Präfixbaum lässt Trajektorien mit demselben historischen Präfix an Verzweigungspunkten Geschwister-Untergruppen bilden und normalisiert den relativen Vorteil nur zwischen Geschwisterknoten. Die zu treffende Entscheidung lautet, beim RL-Nachtraining mehrstufiger Aufgaben nach Trajektorie oder nach wiedergabefähigem Aktionspräfix zu gruppieren. Voraussetzung für diesen Wechsel sind Umgebungsfähigkeit und Aufgabenlänge: Präfixgruppierung ist erst sinnvoll, wenn der Simulator oder die reale Umgebung aus Zwischenzuständen zurücksetzen und mit demselben Präfix verzweigen kann und unter demselben Präfix genügend Geschwisterstichproben für die Normalisierung gesammelt werden können; bestehen Aufgaben überwiegend aus ein oder zwei Schritten oder kann die Umgebung nicht aus der Mitte verzweigen, ist die trajektorienweise Gruppierung leichter umsetzbar. Ein messbares Kriterium: Bei gleichem Sampling-Budget zwei RL-Läufe auf dem eigenen Langfrist-Evaluationsset mit über 10 Schritten vergleichen und End-Erfolgsrate sowie schrittweise Trefferrate gegenüberstellen; die 30,31 % im Beitrag sind die Steigerungsangabe der Autoren und nicht als eigener zu erwartender Gewinn zu übertragen. Hinweis zwei: Vor dem Training eine Unsicherheitsfilterung einbauen? Im Beitrag berichtet wird RSFT: Mehrfachinferenz mit hohem Temperaturkoeffizienten teilt Stichproben in ganz richtig, teilweise richtig und ganz falsch; das Trainingsset behält nur teilweise richtige Stichproben und einen bestimmten Anteil einfacher Stichproben, ganz falsche werden vorerst ausgeschlossen. Die zu treffende Entscheidung: ob diese Filterung vor dem SFT eingebaut wird und wie viele einfache Stichproben behalten werden. Voraussetzung ist ein ausreichend zuverlässiges Bewertungssignal, da die Schichtung vollständig von der Richtig/Falsch-Entscheidung abhängt; bei verrauschter Bewertung wird die Klassifikation selbst verzerrt, und die mehrfachen Hochtemperatur-Inferenzen verursachen zunächst Inferenzkosten. Messbares Kriterium: die effektive Stichprobenzahl nach der Filterung und die Trainingsrunden erfassen und mit einem SFT auf dem vollständigen Korpus die Evaluationswerte der einzelnen Fähigkeiten vergleichen, dabei früh auf Anzeichen eines Verteilungs-Kollapses wie einen abrupten Rückgang der Ausgabediversität achten. Hinweis drei: Dem dynamischen Sampling eine aufgabenbezogene Quotenschicht hinzufügen? Im Beitrag berichtet wird IR-GRPO: Für jeden Aufgabentyp wird eine eigene FIFO-Warteschlange geführt, der effektive Stichprobenanteil je Aufgabe per exponentiellem gleitendem Mittelwert geglättet und das Sampling-Kontingent der nächsten Runde dynamisch angepasst. Die zu treffende Entscheidung: ob zusätzlich zum DAPO-artigen dynamischen Sampling eine Quotensteuerung nach Aufgabenlabel eingeführt wird. Voraussetzung sind verlässliche Aufgabentyp-Labels und eine natürlich ungleiche Aufgabenschwierigkeit; bei sehr homogenen Aufgaben ist der Nutzen dieser Schicht begrenzt. Messbares Kriterium: pro Runde die Punktzahlen je Aufgabentyp protokollieren und prüfen, ob ein Wipp-Effekt auftritt, bei dem eine Kategorie steigt und eine andere fällt, und die Untergrenze der schlechtesten Aufgabentypen mit und ohne Quote vergleichen.
Grenzen und offene Fragen
Dieser Beitrag wurde von Jiqizhixin in Form einer „Veröffentlichung“ publiziert; Methode und Zahlen stammen aus der Arbeit des ZTE-Teams und den Aussagen des Beitrags. Wir haben nichts davon unabhängig reproduziert oder auf einem realen Roboter überprüft. Der Status der Arbeit ist „bei ICRA 2027 eingereicht“, nicht angenommen und nicht durch Peer Review gegangen; die Benchmark-Werte sind Angaben der Autoren. Der Beitrag sagt auch nicht, ob die 30,31 % eine relative Verbesserung oder eine Differenz in Prozentpunkten sind; dieser Unsicherheit ist beim Lesen der Zahl Rechnung zu tragen. Die Realrobot-Ergebnisse beruhen auf dem A2-Failure-Datensatz aus 50 Tischszenarien und 160 Überwachungsvideos; der Szenenumfang ist begrenzt, die Übertragbarkeit auf andere Umgebungen unbekannt. Die SuperCLUE-Rangliste bezieht sich auf den Stand September 2026 und liegt damit vor dem Erscheinungsdatum des Beitrags; zudem stellt der Beitrag ausdrücklich fest, dass internationale Modelle nur als Referenz dienen und nicht in die nationale Rangliste einfließen — Ranglistenwerte sind daher kein zeitlich fortgeltender Befund. Der Beitrag erwähnt weder Gewichte noch Code noch einen offenen API-Zugang; bei der Prüfung des KimiSeek-Online-Katalogs am 12. November 2026 sind weder EmbodiedMind-8B noch Nebula-EmbodiedBrain-180B enthalten. Sollte künftig eine gehostete Schnittstelle erscheinen, gilt für deren Verfügbarkeit die Angabe des Anbieters.