In jüngster Zeit haben eine Reihe von Entwicklungen in der gesamten Branche einen klaren Trend aufgezeigt: Die verkörperte Intelligenz entfernt sich von der reinen “visuellen Simulation” und tritt nun offiziell in eine neue Phase des “räumlichen Verständnisses” ein.”
Vor nicht allzu langer Zeit hat die globale verkörpertes Weltmodell Das Benchmark-Portal WorldArena hat seine neuesten Ranglisten veröffentlicht. Das von Fifth Age entwickelte, neueste verkörperte Weltmodell „FlowWAM“ hat dank seiner herausragenden Leistung im Bereich des physikalischen und räumlichen Verständnisses erfolgreich die Spitze der WorldArena-Rangliste erreicht. Es zeichnet sich durch bemerkenswerte Genauigkeit und Realismus bei der Darstellung dynamischer Interaktionen aus.
Quelle: https://huggingface.co/spaces/WorldArena/WorldArena
Diese Dominanz bestätigt einmal mehr den rasanten Aufstieg der aus China stammenden „embodied world“-Modelle in diesem Bereich und unterstreicht den Wandel der Branche hin zu einem Verständnis der realen Welt.
Die wichtigsten Errungenschaften von FlowWAM: Vorreiter beim räumlichen Verständnis
Erster Platz in zwei wichtigen Bewertungskategorien
Im Gegensatz zu früheren Bewertungen, die sich auf die “optische Attraktivität” konzentrierten, stützt sich WorldArena auf einen umfassenderen Bewertungsrahmen, der sechs Hauptdimensionen und 16 Unterdimensionen abdeckt.
FlowWAM weist in zwei dieser wesentlichen Bereiche überwältigende Vorteile auf, was deutlich macht, dass es sich nicht nur um einen Videogenerator handelt, sondern um ein System, das Robotern eine präzise physikalische und räumliche Wahrnehmung ermöglichen kann.
Physikalische Realitätsnähe: Echte Interaktion statt visueller Illusion
Es nimmt den ersten Platz in Bezug auf die physikalische Genauigkeit ein, indem es “visuelle Täuschungen” vermeidet und reale Wechselwirkungen nachbildet. Dadurch wird das bei generativen Modellen häufig auftretende Problem der “unechten Wechselwirkungen” gemildert.
Was die Interaktionsqualität angeht, zeichnen sich die vom Roboter generierten Aktionen durch ein äußerst realistisches Kontaktverhalten und eine realistische Kraftübertragung aus. Insbesondere hinsichtlich der Bewegungsbahnpräzision weist das Modell die beste räumlich-zeitliche Abstimmung aller Modelle auf. Das bedeutet, dass es nicht nur visuelle Aspekte vorhersagt, sondern auch präzise Ausführungswege, die den Gesetzen der Physik entsprechen.
3D-Genauigkeit: Rekonstruktion der tatsächlichen räumlichen Geometrie
Außerdem belegt es den ersten Platz in 3D-Genauigkeit, wobei die dreidimensionale Geometrie rekonstruiert und räumliche Täuschungen beseitigt werden.
Insbesondere hinsichtlich der Tiefengenauigkeit entspricht die geometrische Konsistenz der Ausgabeergebnisse weitgehend realen Szenen, wodurch Maßstabsambiguitäten bei monokularer Wahrnehmung reduziert werden – auch hier ist das Modell das leistungsstärkste unter allen. Im Bereich der Perspektivität zeigt es ein ausgeprägtes 3D-Denkvermögen, sei es bei Maßstabsänderungen in Abhängigkeit von der Tiefe oder bei komplexen Licht-Schatten-Okklusionsbeziehungen.
Da FlowWAM in beiden Bereichen den ersten Platz belegt hat, kann das System bei realen Aufgaben, die physikalisches Verständnis und räumliche Rekonstruktion erfordern, präziser und zuverlässiger arbeiten.
Der Entwicklungsweg von FlowWAM: Auf dem Weg zu einem verkörperten Gehirn
FlowWAM ist die neueste Arbeit von 中科第五纪 auf dem Gebiet der verkörperten Intelligenz. Wenn man auf den technischen Werdegang zurückblickt, wird der Ansatz des Teams in Bezug auf verkörperte große Modelle deutlich:
FAM-1: Modell für verkörperte Manipulation mit wenigen Beispielen
Durch die Einführung von 3D-Heatmaps für das sekundäre Vortraining wird der Informationsverlust beim räumlichen Verständnis wirksam reduziert. Dies ermöglicht eine schnelle Feinabstimmung mit minimalem Datenaufwand und verleiht Robotern erste Generalisierungsfähigkeiten mit wenigen Beispielen.
BridgeV2W: Verkörpertes Weltmodell der ersten Generation
Durch die räumliche Pixelierung von Roboterverhalten über verschiedene Implementierungen hinweg wird die Darstellungslücke zwischen “Aktionssequenzen und Bildrahmen” verringert. Dies ermöglicht eine präzise Generierung zukünftiger Videos über verschiedene Implementierungen hinweg und damit einen anfänglichen, plattformübergreifenden, zuverlässigen Betrieb.
FlowWAM: Fortschritte im dynamischen räumlichen Denken
Da es sich um ein Weltmodell der neuesten Generation handelt, sind seine architektonischen Details noch nicht bekannt. Aus dem Begriff “Flow” lässt sich jedoch ableiten, dass das Modell wahrscheinlich Durchbrüche im Bereich des dynamischen Raumflusses und der kausalen Vorhersage erzielt, was zu seiner hohen Leistungsfähigkeit hinsichtlich der physikalischen Genauigkeit und der 3D-Genauigkeit führt.
Der “Moment der Morgendämmerung” der verkörperten Weltmodelle Chinas
An der Spitze der WorldArena-Rangliste sind neben 中科第五纪 zahlreiche Teams und Forschungseinrichtungen aus China zu finden. Dies spiegelt einen wichtigen Trend wider: Im globalen Wettstreit um verkörperte Intelligenz behaupten sich Teams aus China zunehmend auf dem zentralen Schauplatz der verkörperten Weltmodelle.
Im Vergleich zu den anfänglichen Vorteilen der internationalen Giganten im Bereich der allgemeinen Videoproduktion zeigen die Bemühungen aus China einen stärkeren “vertikalen Vorstoß” im Bereich der verkörperten Intelligenz:
Von der Wahrnehmung zur Kognition
Da man sich nicht mehr damit begnügt, Dinge lediglich zu “sehen”, verlagert sich der Fokus zunehmend auf ein “tiefes Verständnis”.”
Von der Simulation bis zum Einsatz in der Praxis
Diese Bemühungen schlagen sich in einer konkreten Produktivitätssteigerung in verschiedenen Branchen wie dem verarbeitenden Gewerbe, der Logistik und dem Dienstleistungssektor nieder.
Während die verkörperte Intelligenz nun in das entscheidende Anwendungsjahr 2026 eintritt, haben verkörperte Weltmodelle aus China bereits eine führende Position in der technologischen Entwicklung dieses Bereichs eingenommen.
