Auf der World Artificial Intelligence Conference 2026 in Shanghai stellten sich sechs Roboter einer außergewöhnlichen öffentlichen Herausfor...
Auf der World Artificial Intelligence Conference 2026 in Shanghai stellten sich sechs Roboter einer außergewöhnlichen öffentlichen Herausforderung: Sie bauten innerhalb von 15 Stunden ein großes Modell der Chinesischen Mauer aus 81.920 Mikrobausteinen.
Das fertige Bauwerk maß etwa 3,5 Meter in der Länge, 1,5 Meter in der Breite und erreichte am höchsten Punkt eine Höhe von rund 1,1 Metern. Vier Tischroboter und zwei rollende humanoide Roboter waren gemeinsam im Einsatz – vom präzisen Platzieren der Bausteine bis zum Transport und Zusammenbau größerer Module.
Laut dem Originalbericht arbeiteten die Roboter autonom, ohne Fernsteuerung oder vordefinierte feste Bewegungsabläufe. Sie mussten ihren Arbeitsraum wahrnehmen, die nächste Aktion bestimmen, sich untereinander koordinieren, Platzierungsfehler erkennen und während des Bauprozesses Abweichungen korrigieren.
Ein Roboter arbeitet neben der großen Baustein-Nachbildung der Chinesischen Mauer.
Diese Herausforderung wurde von Dexmal organisiert. Das Unternehmen betrachtete sie als öffentlichen Test, um zu prüfen, ob verkörperte Intelligenz (Embodied AI) über kurze Demonstrationen hinausgehen und in einer realen Ausstellungsumgebung langwierige, hochpräzise und physisch koordinierte Aufgaben ausführen kann.
Hinweis zur Genauigkeit: Begriffe wie „Weltneuheit", „vollständig autonom" oder „branchenführend" stammen von Dexmal oder dem Originalbericht. Öffentliche Demonstrationen und technische Materialien stützen das Gesamtszenario, jedoch wurden nicht alle Details der Durchführung einer vollständigen unabhängigen Überprüfung unterzogen.
Die Baustein-Mauer klingt zunächst wie ein reiner Gimmick für die Ausstellung. Doch bei genauerer Betrachtung der technischen Anforderungen zeigt sich, dass diese Aufgabe drei zentrale Hürden berührt, die Roboter seit Langem davon abhalten, vom Labordemonstrator zur praktischen Produktionsanwendung zu gelangen.
Die Bausteine mussten eng und gleichmäßig verbunden werden. Daher mussten die Roboter kontrollierte Bewegungen im Bereich von etwa 0,1 bis 1 Millimeter ausführen.
Diese Präzision erfordert das Zusammenspiel mehrerer Fähigkeiten:
Die Herausforderung bestand nicht einfach darin, ein Objekt von einem Ort zum anderen zu bewegen. Jeder Baustein musste ausgerichtet, eingerastet und in die umgebende Struktur integriert werden, ohne bereits platzierte Steine zu beschädigen.
Der Originalbericht verglich die erforderliche Stabilität mit dem natürlichen Zittern einer menschlichen Hand im entspannten Zustand (das in ähnlichen Größenordnungen liegen kann). Die eigentliche Kernaussage ist direkt: Die Roboter mussten über Tausende von Wiederholungen hinweg Präzision und Konsistenz bewahren.
Die zweite Schwierigkeit war die Koordination.
Das System bestand aus sechs Robotern zweier unterschiedlicher Bauformen. Sie teilten sich denselben physischen Arbeitsraum und mussten sich die Arbeit so aufteilen, dass sie weder kollidierten noch dieselben Aufgaben doppelt ausführten.
Dem Bericht zufolge gab es keinen menschlichen Bediener, der das gesamte Team von einer zentralen Konsole aus kontinuierlich steuerte. Stattdessen nahm jeder Roboter seine Umgebung selbstständig wahr, traf lokale Entscheidungen und kommunizierte mit den anderen, um Aufgaben auszuhandeln.
Feinere, präzisere Arbeiten wurden den Tischrobotern zugewiesen, während die rollenden humanoiden Roboter für Bewegung, Transport und größere Montageschritte zuständig waren.
Multi-Agenten-Koordination ist in Simulationen und Forschungspapieren üblich. In einer überfüllten Ausstellungsumgebung ist es jedoch weitaus schwieriger, heterogene Roboter über einen langen Zeitraum hinweg zusammenarbeiten zu lassen, da Kommunikationsverzögerungen, Wahrnehmungsfehler, physische Hindernisse und akkumulierte Positionsabweichungen den gesamten Prozess beeinflussen.
Die letzte Hürde war die Zeitdauer.
Ein Roboter, der innerhalb weniger Minuten sorgfältig ausgewählte Bewegungen ausführt, mag beeindruckend sein. Doch eine 15-stündige Aufgabe stellt eine ganz andere Frage: Kann das System mit zunehmender Anzahl von Aktionen die Genauigkeit bewahren und sich von kleinen Fehlern erholen?
Jeder Baustein brachte ein neues Risiko von Fehlpositionierungen mit sich. Ein winziger Fehler zu Beginn des Baus konnte spätere Teile beeinträchtigen. Daher benötigte das System einen geschlossenen Kreislauf:
Der kombinierte Test von Präzision, Koordination und Zeitdauer sollte prüfen, ob verkörperte KI in der Lage ist, über einen nützlichen Zeitraum hinweg produktive Arbeit zu leisten – und nicht nur eine kurze, isolierte Demonstration zu sein.
Die Multi-Roboter-Challenge auf der WAIC 2026 zog viele Besucher an.
Die in der Challenge verwendete Hardware umfasste den Dexmal Apex, den das Unternehmen als verkörperten, universellen Roboter beschreibt. Dexmal gibt an, dass der Apex sein Hardware-Design mit einem verkörperten Foundation Model kombiniert, um Langzeiteinsätze, Feinmotorik, eine breitere Aufgabenverallgemeinerung und sichere Interaktion in Menschenmengen zu ermöglichen.
Die Roboter waren der sichtbare Teil der Demonstration. Die zugrundeliegende Intelligenz stammte von Dexmals neuestem verkörperten Foundation Model DM0.5.
Dexmal stellte DM0.5 Anfang Juli auf der Action 2026 Entwicklerveranstaltung vor. Das Modell ist der Nachfolger von DM0 und wurde für die Steuerung von Robotern in offenen Welten konzipiert – nicht für eine Reihe fest einprogrammierter Aufgaben.
DM0.5 zielt darauf ab, Robotikaufgaben in offenen Welten verallgemeinern zu können.
Laut dem offiziellen Technik-Blog von Dexmal verwendet das Modell eine visuell-linguistische Aktionsarchitektur (Vision-Language-Action), die Folgendes umfasst:
Der Originalbericht gibt an, dass das Modell auf etwa 150.000 Stunden multi-modaler Daten trainiert wurde, darunter reale Robotermanipulationen, menschliche Aktivitäten aus der Ich-Perspektive, Navigation, rekonstruierte Umgebungen und allgemeine visuell-linguistische Daten.
Dem Bericht zufolge stieg die Datenmenge im Vergleich zu DM0 um 400 %, während die Anzahl der Parameter etwa verdoppelt wurde.
Die wichtigere Veränderung war jedoch nicht nur die Größenzunahme. Dexmal führte mehrere Mechanismen ein, die dem Modell helfen sollen, den Aufgabenfortschritt zu verstehen, die physische Umgebung zu erfassen und Aktionen zu erlernen, ohne die individuellen zeitlichen Verzerrungen menschlicher Bediener zu kopieren.
Module wie „Tasks“ verarbeiten Bildsequenzen, Strukturinformationsbefehle usw. Auf der rechten Seite befindet sich der Action Expert 680M mit Komponenten wie dem Action Velocity Field und dem KV-Cache, die den Roboterstatus und Aufgabenbefehle verarbeiten. In der Mitte befindet sich das Action Alignment, das den Vergleich zwischen Ground Truth und Prediction zeigt. Diese Abbildung steht in engem Zusammenhang mit dem Kontext und veranschaulicht anschaulich die Struktur des DM0.5-Modells sowie die Funktionen seiner einzelnen Teile, um das Verständnis für sein Design im Bereich der Steuerung von Robotern in offenen Welten zu erleichtern.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/3bce1b29-5cb2-4ab7-a1a4-8ce51f5f7a6c-db3ff864-93b0-4747-b706-604d17ab5684.png)
Offizielles Architekturdiagramm von DM0.5, das das VLM-Backbone, die Kontextebene, Inferenzaufgaben und den Action Expert zeigt.
Der Originalartikel stellt drei neu hinzugefügte Architekturkomponenten vor. Jede zielt auf unterschiedliche Schwachstellen bei langfristigen verkörperten Aufgaben ab.
Herkömmliche VLA-Modelle treffen Entscheidungen in der Regel nur auf Grundlage des aktuellen Kamerabildes und des aktuellen Roboterzustands. Dies funktioniert für kurze Aktionen, wird jedoch fragil, wenn die für die Aufgabe später benötigten Informationen nicht mehr sichtbar sind.
DM0.5 fügt eine Kontextabstraktionsebene hinzu, die die aktuelle Beobachtung mit ausgewählten visuellen Informationen aus der jüngeren Vergangenheit kombiniert. Laut Dexmal kann das Modell einen Aufgabenkontext von bis zu 60 Sekunden integrieren.
Während des Trainings variieren Länge und Verfügbarkeit der historischen Informationen. Fehlen hilfreiche Informationen aus der Vergangenheit oder sind sie nicht vorhanden, wird das Modell darauf trainiert, auf die aktuelle Beobachtung zurückzugreifen, anstatt komplett zu versagen.
Dexmal erklärt dies mit einem einfachen Experiment: Heben Sie eine Tasse auf, wischen Sie den Bereich unter der Tasse und stellen Sie die Tasse dann wieder an ihren Platz.
Sobald die Tasse aufgehoben wurde, verschwindet ihre ursprüngliche Position aus dem aktuellen Bild. Ein Modell, das nur den aktuellen Moment betrachtet, könnte sie an eine beliebige Stelle zurückstellen. Ein Modell mit historischem Kontext kann sich hingegen merken, wo sich die Tasse vor ihrer Bewegung befand.
Für die „Große Mauer“-Aufgabe ist dasselbe Prinzip in größerem Maßstab entscheidend. Der Roboter muss verstehen, welche Teile bereits zusammengebaut wurden, wie sich die lokale Struktur verändert hat und was der nächste Schritt im Prozess sein sollte.
DM0.5 fügt außerdem 11 autoregressive Inferenzaufgaben zum Training mit Roboterdaten hinzu.
Das Modell wird darauf trainiert, unter Verwendung des aktuellen Bildes, des Roboterzustands, der Anweisungen und des historischen Kontexts beschränkte Fragen zu beantworten. Diese Fragen decken folgende Bereiche ab:
Dadurch verschiebt sich das Trainingssignal von der reinen Aktionsvorhersage hin zu einer Kombination aus:
In der praktischen Anwendung muss der Roboter nicht nur verstehen, welcher Motor-Befehl bei einem bestimmten Bild ausgeführt werden soll, sondern auch artikulieren, warum diese Aktion angemessen ist.
Dies ist besonders wichtig für Aufgaben mit 81.920 Bausteinen. Das System kann nicht jede Platzierung als isoliertes Ereignis betrachten, sondern muss einzelne Aktionen mit dem Fortschritt des gesamten Bauprozesses verknüpfen.
Die meisten Roboterdemonstrationsdaten werden durch menschliche Fernsteuerung gesammelt. Verschiedene Personen führen dieselbe Aufgabe mit unterschiedlichen Geschwindigkeiten, Pausen und Bewegungsstilen aus.
Wird das Modell gezwungen, jede vorhergesagte Aktion mit einem festen Zeitstempel in der Demonstrationsaufzeichnung abzugleichen, könnte es den Rhythmus des Bedieners lernen, anstatt die zugrundeliegende Aufgabe.
Die Trajektorien-Ausrichtungsebene von DM0.5 richtet Aktionen nach dem Aufgabenfortschritt und nicht nach der exakten Zeit aus.
Jede vorhergesagte Aktion wird mit einem geeigneten Punkt in der echten Trajektorie abgeglichen. Der Abgleich muss monoton vorwärts erfolgen, sodass nachfolgende vorhergesagte Aktionen nicht mit frühen Teilen der Demonstration gepaart werden können. Anschließend wird mittels dynamischer Programmierung eine verlustarme Korrespondenz über die gesamte Sequenz gefunden.
Diese Methode zielt darauf ab, wichtige physikalische Ereignisse hervorzuheben, wie zum Beispiel:
Die persönliche Geschwindigkeit des Bedieners wird weniger wichtig, während die sinnvolle Struktur der Aufgabe klarer hervortritt.
Dexmal gibt an, dass dies die Generalisierungsfähigkeit über verschiedene Demonstratoren und Ausführungsgeschwindigkeiten hinweg verbessert.
Die Große Mauer-Demonstration ist ein offener öffentlicher Test. Dexmal hat DM0.5 auch an standardisierten Robotik-Benchmarks evaluiert.
Auf RoboChallenge Table30 V2 meldet das Unternehmen:
Table30 V2 umfasst 30 reale Roboter-Manipulationsaufgaben über vier Roboterformen hinweg. Der Benchmark beinhaltet Langzeitgedächtnis, mehrschrittige Ausführung, Zielortung, präzises Aufnehmen und Platzieren, Werkzeuggebrauch sowie bimanuelle Koordination.
Der Datensatz und der Evaluierungsrahmen sind über RoboChallenge und Hugging Face öffentlich dokumentiert, und die Table30 V2-Methode wurde ebenfalls über ein CVPR 2026 Workshop-Papier veröffentlicht.
Diese Ergebnisse sind für die Große Mauer-Herausforderung relevant, da beide Szenarien testen, ob das Modell Wahrnehmung, Aufgabenfortschritt, Feinmotorik und physikalische Ausführung koordinieren kann – und nicht nur Objekte erkennen oder
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Textanweisungen generieren.
Allein ein leistungsstarkes Basismodell reicht nicht für eine 15-stündige öffentliche Demonstration aus.
Der ursprüngliche Bericht weist darauf hin, dass Dexmal im späteren Training auch das DFOL 2.0-Framework verwendet hat. Dieses Framework integriert das DW0.5 Weltmodell, das es ermöglicht, Teile der Aufgabe in einer virtuellen oder modellgenerierten Umgebung zu üben und zu verfeinern, bevor sie vollständig auf der physikalischen Hardware eingesetzt werden.
Die Grundidee besteht darin, dem System zu erlauben, kostspielige Aktionen intern zu proben.
Die traditionelle Robotikentwicklung ist oft auf wiederholte physikalische Versuche angewiesen:
Dieser Prozess ist langsam und teuer. Echte Roboter nutzen sich ab, physikalische Arbeitsbereiche müssen zurückgesetzt werden, und jeder fehlgeschlagene Versuch verbraucht Entwicklungszeit.
Das Weltmodell kann einen Teil der Experimente in die Simulation oder das erlernte Vorhersagen verlagern. Die Roboterstrategie kann mögliche Aktionen testen, wahrscheinliche Ergebnisse abschätzen und die Aufgabenausführung verbessern, bevor wertvolle Zeit am echten Roboter beansprucht wird.
Für eine große Bauaufgabe reduziert dies die Anzahl der Versuche und Irrtümer, die vor Publikum durchgeführt werden müssen. Es bietet dem Team auch eine Möglichkeit, Abläufe zu proben, mögliche Fehlerquellen zu untersuchen und die echte Hardware für die finale Validierung aufzuheben.
Die Quelle stellt keine öffentliche Implementierung von DFOL 2.0 zur Verfügung und gibt auch nicht im Detail an, wie viel der Große Mauer-Aufgabe in der Simulation durchgeführt wurde. Daher sollte diese Beschreibung als Dexmals Erklärung seines späteren Trainingsprozesses verstanden werden, nicht als unabhängig reproduzierbares Ergebnis.
Warum mehr als 80.000 Bausteine verwenden?
Die Bausteine schaffen einen kompakten Test für mehrere Fähigkeiten, die für die flexible Fertigung entscheidend sind:
Herkömmliche Industrieroboter sind hochgradig effizient, wenn die Aufgaben repetitiv, standardisiert und streng kontrolliert sind. Sie sind jedoch weniger flexibel, wenn sich die Position von Objekten ändert, Materialien unterschiedliche Eigenschaften haben oder die korrekte Aktion von der visuellen Beurteilung abhängt.
Der ursprüngliche Bericht argumentiert, dass es immer noch Fertigungsarbeiten gibt, die auf menschliche Arbeitskraft angewiesen sind, weil diese Vorgänge fein, nicht standardisiert, flexibel oder stark wahrnehmungsabhängig sind. Beispiele hierfür sind:
Die genaue Behauptung, dass diese Art von Aufgaben die „letzten 20 %“ der Fertigung darstellen, sollte als eine Formulierung in der Informationsquelle verstanden werden, nicht als allgemeingültige Industriestatistik.
Dennoch ist der Zusammenhang klar. Die Große Mauer ist ein Schaustück, aber die getesteten Fähigkeiten – Feinmanipulation, Dauerbetrieb und Multi-Roboter-Koordination – sind direkt mit flexiblen Produktionslinien verbunden.
Dexmal wurde im März 2025 gegründet. Der Originalbericht gibt an, dass das Kernteam ehemalige Forscher und Ingenieure von Megvii umfasst und das Unternehmen bereits mehrere Finanzierungsrunden erhalten hat.
Seine erklärte Mission ist es, intelligente, nützliche und vertrauenswürdige Roboter zu bauen.
Dexmal beschreibt seinen technologischen Ansatz als verkörperte native Entwicklung. Das Unternehmen trainiert seine Modelle nicht primär für internetbasierte Texte oder Bilder, sondern für die Anforderungen von Robotern in der physischen Welt.
DM0 ist das erste native verkörperte Basismodell. DM0.5 baut darauf auf und bietet ein längeres Gedächtnis, stärkere Argumentationsfähigkeiten, mehr Trainingsdaten, Multi-Morph-Unterstützung und verbesserte Generalisierungsfähigkeiten in offenen Welten.
Das Unternehmen hat außerdem die Infrastruktur rund um dieses Modell entwickelt.
Dexbotic ist ein Open-Source-Vision-Language-Action-Toolkit basierend auf PyTorch. Es bietet eine einheitliche Entwicklungsumgebung zum Trainieren und Evaluieren verschiedener VLA-Strategien.
Das Framework umfasst:
Dexbotic ist über die offizielle Dokumentation und das GitHub-Repository öffentlich zugänglich.
RoboChallenge ist eine groß angelegte Echtzeit-Roboterevaluierungsplattform, die gemeinsam mit Hugging Face entwickelt wurde.
Die Plattform zielt darauf ab, Robotik-Strategietests reproduzierbarer zu machen, indem sie die Evaluierung von Modellen auf gemeinsamen physischen Aufgaben und Hardwarekonfigurationen ermöglicht.
Die Benchmarks Table30 und Table30 V2 umfassen verschiedene Roboter-Morphologien und praktische Aufgaben. Öffentliche Datensätze, Papiere und Evaluierungsressourcen sind über RoboChallenge und Hugging Face verfügbar.
Dexmals kommerzielles Anwendungsportfolio umfasst auch Atomix, ein flexibles Lagerautomatisierungsgeschäft.
Der ursprüngliche Bericht besagt, dass Atomix Lager-, Transport- und Kommissionierprozesse integriert und mit großen Einzelhandels-, Getränke- und Gastronomiekunden zusammengearbeitet hat. Diese Behauptungen über Kunden und Marktpositionen stammen aus dem Bericht und wurden von dieser Veröffentlichung nicht unabhängig überprüft.
DM0.5, Dexbotic, RoboChallenge und Atomix bilden gemeinsam eine Full-Stack-Strategie:
Die Große-Mauer-Anlage war die auffälligste öffentliche Demonstration der Full-Stack-Technologie auf der WAIC 2026.
Die öffentliche Roboter-Challenge beweist nicht, dass allgemeine verkörperte KI bereits gelöst ist.
Aber sie bietet einen nützlichen Test für mehrere Fähigkeiten, die normalerweise einzeln bewertet werden:
Der kritischste Teil der Demonstration war nicht die Mauer selbst. Es war der Versuch, sechs physikalische Maschinen lange genug zusammenarbeiten zu lassen, um subtile Mängel und Koordinationsprobleme aufzudecken.
Unvermeidlich.
Das offiziell veröffentlichte DM0.5-Material von Dexmal weist letztlich darauf hin, dass die reale Welt der beste Lehrer für Roboter sein sollte. In dieser Vision wird jeder Versuch, Erfolg, Fehlschlag und jede Korrektur zu neuen Informationen, die dem System helfen, sich zu verbessern.
Auf der World Artificial Intelligence Conference 2026 montierten Roboter Mikrobausteine. Das langfristige Ziel ist es, denselben geschlossenen Lern- und Ausführungsprozess in Arbeitsumgebungen wie Fertigung, Logistik, Service und andere Aufgaben zu bringen, die nicht vollständig vorprogrammiert werden können.
Insgesamt waren sechs Roboter beteiligt: vier Tischroboter und zwei rollende Humanoide. Sie arbeiteten im selben physischen Bereich zusammen und übernahmen verschiedene Teile des Bauprozesses.
Das Modell verwendete insgesamt 81.920 Mikrobausteine. Die Struktur war etwa 3,5 Meter lang, 1,5 Meter breit und an ihrem höchsten Punkt etwa 1,1 Meter hoch.
Die geplante ununterbrochene Betriebszeit betrug 15 Stunden. Die Challenge zielte darauf ab, die Fähigkeit der Roboter zu testen, über einen langen Zeitraum präzise und koordinierte physische Aktionen auszuführen.
Der ursprüngliche Bericht zeigt, dass die Roboter nicht kontinuierlich ferngesteuert wurden und auch nicht auf vollständig festgelegte Aktionsskripte angewiesen waren. Sie nutzten Wahrnehmung, lokale Entscheidungsfindung, Kommunikation und Fehlerkorrekturfähigkeiten, aber die Quelle enthielt keine unabhängige vollständige technische Prüfung der Betriebsumgebung.
DM0.5 ist ein von Dexmal entwickeltes Open-World-Vision-Language-Action-Basismodell für die Robotersteuerung. Es verwendet ein Gemma 3 4B Vision-Language-Backbone, ein 680M Action-Expert-Modul, historische Kontextmodellierung, verkörperte Argumentationsaufgaben und Trajektorienausrichtungstechniken.
Dexmal hat das OpenDM-Code-Repository unter der Apache 2.0-Lizenz veröffentlicht und die DM0.5-Modellressourcen über Hugging Face bereitgestellt. Das Repository enthält Modellgewichte, Trainings- und Inferenzskripte, Datensatzbeispiele und Evaluierungs-Workflows.
Table30 V2 ist ein Echtzeit-Roboter-Benchmark, der 30 Manipulationsaufgaben mit vier Roboter-Morphologien umfasst. Zu den bewerteten Fähigkeiten gehören Langzeitgedächtnis, sequentielle Ausführung, Feinmanipulation, Werkzeuginteraktion und beidarmige Koordination.
Nein. Die Demonstration zeigt Fortschritte bei Präzision, Langzeitbetrieb und Koordination, beweist aber nicht, dass alle flexiblen Fertigungsaufgaben bereits automatisierbar sind. Die reale Produktionsumgebung erfordert zusätzliche Überprüfungen in Bezug auf Sicherheit, Zuverlässigkeit, Integration, Kosten und Wartung.
Dexbotic-Dokumentation: Bietet offizielle Installations-, Architektur-, Trainings-, Daten-, Inferenz- und Modellentwicklungsrichtlinien.
cn/en-ParticipateExplore/20260717/36193160d9d94efb9c0aa5fa4fbed5fd.html)：Shanghai bestätigt offiziell das Szenario von sechs Robotern, die 15 Stunden lang am Ausstellungsstand der Großen Mauer arbeiteten.
Auf der Weltkonferenz für Künstliche Intelligenz 2026 arbeiteten sechs Dexmal-Roboter 15 Stunden lang ununterbrochen und bauten mit 81.920 Mikrobausteinen ein Modell der Großen Mauer. Diese Aufgabe vereinte submillimeterpräzises Platzieren, multi-robotische Kollaboration, langfristige Betriebsführung sowie die Fähigkeit zur Fehlerkorrektur in geschlossenen Regelkreisen.
Die Vorführung wurde durch das quelloffene, weltweit einsetzbare Foundation-Modell DM0.5 von Dexmal gesteuert. Zu den wichtigsten neuen Funktionen gehören: ein historischer Kontextspeicher von bis zu 60 Sekunden, verkörperte Inferenzaufgaben sowie eine Trajektorienangleichungstechnologie, die die Unterschiede in der menschlichen Teleoperationsgeschwindigkeit reduziert.
Dexmal setzte zudem auf eine Post-Training-Technologie auf Basis von Weltmodellen und verknüpfte diese Demonstration mit seinem breiteren Produktportfolio aus OpenDM, Dexbotic, RoboChallenge und Lagerautomatisierung. Es ist jedoch zu beachten, dass einige Leistungs- und Marktpositionierungsaussagen weiterhin auf Eigenangaben des Unternehmens beruhen und nicht unabhängig verifiziert wurden.
Die Große Mauer diente lediglich als Demonstrationsträger – die wahre Bewährungsprobe lag darin, ob verkörperte KI über eine gesamte Arbeitsschicht hinweg präzise, koordiniert und praktisch einsetzbar bleibt.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
