Unitree öffnet mit UnifoLM-WLA-1.0 sein bislang umfassendstes Basismodell für humanoide Roboter. Nach Angaben des chinesischen Herstellers soll eine einzige Architektur 64 Aufgaben abdecken – vom Sortieren am Tisch bis zu mobilen Ganzkörperarbeiten. Der Schritt ist bemerkenswert, weil Unitree nicht nur Code und Modellgewichte, sondern auch Datensätze öffnen will. Ob daraus bereits ein universell einsetzbares „Robotergehirn“ entsteht, ist damit allerdings noch nicht bewiesen.

Humanoide Roboter beeindrucken in Videos mit schnellen Schritten, präzisen Griffen und spektakulären Bewegungen. In der Praxis liegt die größere Herausforderung jedoch zwischen Kamera und Motor: Eine Maschine muss eine Anweisung verstehen, ihre Umgebung räumlich erfassen, die Folgen einer Bewegung abschätzen und daraus im richtigen Moment eine Aktion ableiten. Genau diese Kette will Unitree mit seiner Open-Source-Modellfamilie UnifoLM vereinheitlichen.

In diesem Artikel

Das Wichtigste in Kürze

  • Unitree hat am 10. September 2026 die vollständige Open-Source-Freigabe von UnifoLM-WLA-1.0 angekündigt.
  • Das Modell umfasst nach Unternehmensangaben sechs Milliarden Parameter und wurde mit mehr als fünf Millionen Embodied-Reasoning-Beispielen sowie rund 2.500 Stunden Daten von realen Robotern trainiert.
  • Eine Policy soll 64 Aufgaben beherrschen, darunter Tischmanipulation, Gehen, Tragen und andere Ganzkörperaufgaben.
  • WLA-1.0 baut auf einer Modellfamilie auf: WMA-0 sagt Interaktionen voraus, VLA-0 verbindet Sehen, Sprache und Aktionen.
  • Die veröffentlichten Leistungsangaben stammen bislang überwiegend von Unitree. Unabhängige Reproduktionen und belastbare Praxistests bleiben entscheidend.

Was UnifoLM von einem gewöhnlichen KI-Modell unterscheidet

Ein Sprachmodell erzeugt Text, ein Bildmodell erkennt oder generiert visuelle Inhalte. Ein Robotermodell muss zusätzlich mit der physischen Welt umgehen. Es genügt nicht, eine Tasse zu identifizieren. Das System muss wissen, aus welcher Richtung der Greifer die Tasse erreicht, wie weit sich Arm und Hand bewegen dürfen, welche Kraft ausreicht und was wahrscheinlich geschieht, wenn das Objekt verrutscht.

Unitree spricht in diesem Zusammenhang von „embodied intelligence“, also verkörperter Intelligenz. Die Software erhält nicht nur Bilder und Anweisungen, sondern lernt Zusammenhänge zwischen Wahrnehmung, Körperzustand, Bewegung und Resultat. UnifoLM ist deshalb weniger ein einzelnes Programm als eine Familie miteinander verwandter Ansätze für Weltmodelle, visuell-sprachliche Planung und Roboteraktionen.

UnifoLM-WLA-1.0: 64 Aufgaben mit einer Architektur

Die jüngste Stufe heißt UnifoLM-WLA-1.0. Unitree beschreibt sie als allgemeines Foundation Model für humanoide Roboter. Das System kombiniert multimodale Wahrnehmung mit einem interaktionszentrierten Weltmodell. Es soll räumliche Zusammenhänge verstehen und gleichzeitig abschätzen, wie sich Roboter, Objekte und Umgebung während einer Handlung verändern.

Die Eckdaten sind für ein Robotikmodell beachtlich: sechs Milliarden Parameter, mehr als fünf Millionen sogenannte ER-Trainingsbeispiele und ungefähr 2.500 Stunden reale Gerätedaten. ER steht für Embodied Reasoning. Gemeint sind Aufgaben, bei denen das Modell visuelle und räumliche Hinweise in eine physisch plausible Schlussfolgerung überführen muss.

In der Real-Robot-Evaluation soll ein Modell 64 unterschiedliche Aufgaben steuern. Dazu gehören feine Tischmanipulationen ebenso wie mobile Ganzkörperhandlungen. Der wichtige Punkt ist nicht allein die Zahl. Klassische Robotikprojekte verwenden häufig einen eigenen Controller, eine eigene Datenpipeline und eine eigene Abstimmung für jeden Arbeitsablauf. Eine gemeinsame Policy könnte Entwicklungszeit sparen und Fähigkeiten leichter zwischen ähnlichen Aufgaben übertragen.

Unitree berichtet zudem von starken Ergebnissen in mehreren Benchmarks für verkörpertes Schlussfolgern. Diese Angaben sollten vorerst als Herstellerergebnisse gelesen werden. Aussagekräftig wird die Veröffentlichung, wenn externe Teams die Checkpoints mit denselben Testprotokollen reproduzieren, Fehlversuche dokumentieren und zeigen, wie das Modell mit unbekannten Objekten, veränderten Lichtverhältnissen oder anderen Greifern umgeht.

WMA-0: Ein Weltmodell als Simulator und Entscheidungshilfe

Den konzeptionellen Unterbau liefert UnifoLM-WMA-0, das Unitree im September 2025 mit Trainings-, Inferenz- und Bereitstellungscode sowie Modellgewichten veröffentlichte. WMA steht für World-Model-Action. Das Modell soll physikalische Interaktionen zwischen verschiedenen Robotertypen und ihrer Umgebung vorhersagen.

Unitree nennt zwei Einsatzarten. Als Simulations-Engine erzeugt das Weltmodell synthetische Trainingssequenzen. Entwickler können damit mögliche Interaktionen durchspielen, ohne jeden Versuch teuer am realen Roboter aufzeichnen zu müssen. Als Policy-Erweiterung prognostiziert es künftige Zustände und liefert dem Aktionskopf zusätzliche Hinweise für die nächste Bewegung.

Trainiert wurde WMA-0 in zwei Stufen: zunächst auf dem robotikübergreifenden Open-X-Datenbestand, anschließend auf fünf von Unitree bereitgestellten Datensätzen. Darunter befinden sich Aufgaben mit Z1-Roboterarmen und dem humanoiden G1. Die verfügbaren Checkpoints stehen unter einer nichtkommerziellen CC-BY-NC-SA-4.0-Lizenz. „Open Source“ bedeutet hier daher nicht automatisch, dass jede kommerzielle Nutzung ohne weitere Vereinbarung erlaubt ist.

VLA-0: Wenn Sehen und Sprache zu Handlungen werden

UnifoLM-VLA-0 wurde im Januar 2026 geöffnet. VLA steht für Vision-Language-Action. Das Modell basiert auf Qwen2.5-VL-7B und wird mit allgemeinen Bild-Text-Daten sowie Robotermanipulationsdaten weitertrainiert. Aus einer sprachlichen Anweisung und Kamerabildern soll eine Folge ausführbarer Aktionen entstehen.

Unitree berichtet, dass eine einzelne Policy in Tests am realen G1 zwölf Kategorien komplexer Manipulationsaufgaben bewältigt. Die offenen Datensätze umfassen unter anderem das Stapeln von Blöcken, das Falten eines Handtuchs, das Reinigen eines Tisches, das Sortieren von Werkzeugen und das Einpacken von Gegenständen. Diese Vielfalt zeigt, wohin die Entwicklung zielt: Nicht jede neue Aufgabe soll ein komplett neues Steuerungsprojekt erfordern.

Gleichzeitig bleibt der Transfer auf andere Roboter schwierig. Armlänge, Gelenkgrenzen, Kameraposition, Handtyp und Steuerfrequenz verändern die Bedeutung einer Aktion. Ein Modell, das auf dem G1 zuverlässig arbeitet, ist deshalb noch keine universelle Lösung für jede humanoide Plattform.

Von der Teleoperation zur lernenden Datenpipeline

Die Modellarchitektur ist nur eine Hälfte des Fortschritts. Die andere ist die Datenversorgung. Mit dem UnifoLM-WBT-Dataset veröffentlicht Unitree seit März 2026 hochwertige Ganzkörper-Teleoperationsdaten aus realen Szenen. Ein Mensch führt den Roboter aus der Ferne, während Kamerabilder, Körperzustände und Aktionen synchron aufgezeichnet werden.

Solche Daten liefern den Modellen Beispiele für koordinierte Ganzkörperhandlungen. Sie sind jedoch aufwendig: Sensoren müssen kalibriert, Zeitstempel abgeglichen, Fehlversuche gekennzeichnet und unterschiedliche Endeffektoren sauber dokumentiert werden. Die angekündigten 2.500 Realgeräte-Stunden von WLA-1.0 sind deshalb relevanter als eine reine Zahl von Videostunden. Entscheidend ist, ob die Aufzeichnungen genug Varianten und Fehlerfälle enthalten.

X2-1.0 zeigt hohe Dynamik – aber noch keinen Produktnachweis

Kurz vor der WLA-Ankündigung zeigte Unitree mit UnifoLM-X2-1.0 eine deutlich spektakulärere Demonstration: Ein humanoider G1 reagiert in einer Kampfsituation ohne sichtbare Teleoperation auf einen menschlichen Partner. Das System soll Bewegungen in Echtzeit vorhersagen, planen und autonom ausführen.

Die Demo veranschaulicht, warum Weltmodelle für hochdynamische Interaktionen interessant sind. Sie ist aber kein belastbarer Nachweis für allgemeine Autonomie. Für X2-1.0 liegen bislang weder ein ausführliches Paper noch standardisierte Benchmarks oder ein bestätigter Open-Source-Fahrplan vor. Aus einem kontrollierten Video lässt sich außerdem nicht ableiten, wie zuverlässig das System über viele Versuche, in anderen Räumen oder bei unerwarteten Situationen arbeitet.

Was die Öffnung für Forschung und Industrie bedeutet

Die gleichzeitige Freigabe von Code, Modellen und Datensätzen kann den Nutzen von UnifoLM deutlich erhöhen. Forschungsteams erhalten eine gemeinsame Ausgangsbasis, können Ablationen durchführen und Fehler genauer vergleichen. Unternehmen können prüfen, ob sich einzelne Komponenten in bestehende Entwicklungsumgebungen integrieren lassen.

Für Logistik und leichte Industrie sind vor allem vier Bereiche interessant:

  • Flexible Kommissionierung: Ein Modell könnte verschiedene Verpackungs-, Sortier- und Bereitstellungsaufgaben mit weniger individueller Programmierung lernen.
  • Synthetische Daten: Weltmodelle können seltene Varianten und Fehlerfälle simulieren, bevor sie am realen Roboter getestet werden.
  • Ganzkörperkoordination: Humanoide müssen gehen, sich beugen, tragen und gleichzeitig ihre Hände kontrollieren. Eine gemeinsame Policy kann diese Teilprobleme zusammenführen.
  • Wechselnde Werkzeuge: Generalisierung über verschiedene Hände und Greifer wäre für Anlagen mit unterschiedlichen Endeffektoren besonders wertvoll.

Zwischen Forschungsdemo und produktivem Betrieb liegen dennoch Sicherheit, Taktzeit, Wartung und Kosten. Ein Lagerroboter muss nicht nur gelegentlich erfolgreich sein, sondern über Tausende Zyklen vorhersehbar arbeiten, Fehler erkennen und in einen sicheren Zustand wechseln. Dafür braucht es unabhängige Messwerte zu Erfolgsquote, Eingriffsbedarf, Latenz und Verhalten außerhalb der Trainingsverteilung.

Open Source ist ein Startpunkt, kein Gütesiegel

Die Offenlegung macht ein Modell prüfbarer, aber nicht automatisch besser oder risikofrei. Entwickler müssen Lizenzbedingungen jedes Checkpoints und Datensatzes einzeln prüfen. Sie benötigen leistungsfähige GPU-Infrastruktur, passende Robotikhardware und Erfahrung mit Echtzeitsteuerung. Hinzu kommen Fragen zu Datenschutz, Betriebssicherheit und Haftung, sobald Kameras und lernende Systeme in realen Arbeitsbereichen eingesetzt werden.

Besonders wichtig wird eine saubere Trennung zwischen wahrgenommener Aufgabe und erlaubter Aktion. Ein Weltmodell kann plausible Zukünfte prognostizieren; es garantiert nicht, dass eine ausgewählte Bewegung sicher ist. Praktische Systeme benötigen deshalb zusätzliche Grenzen, Kollisionsüberwachung, Freigaben und nachvollziehbare Protokolle.

Fazit

Mit UnifoLM verschiebt Unitree den Wettbewerb um humanoide Roboter von spektakulärer Hardware hin zu einer offenen Software- und Datenbasis. WMA-0 modelliert künftige Interaktionen, VLA-0 übersetzt Wahrnehmung und Sprache in Handlungen, und WLA-1.0 soll diese Fähigkeiten in einer breiteren Ganzkörper-Policy bündeln.

Die angekündigten sechs Milliarden Parameter, mehr als fünf Millionen Reasoning-Beispiele, rund 2.500 Stunden reale Daten und 64 Aufgaben machen WLA-1.0 zu einem ambitionierten Projekt. Der eigentliche Wert der Veröffentlichung wird sich jedoch nicht in einem Demonstrationsvideo zeigen, sondern in unabhängigen Tests: Wie gut generalisiert das Modell, wie oft scheitert es, lässt es sich auf andere Hardware übertragen und welche Sicherheitsmechanismen sind im Dauerbetrieb nötig?

Wenn die Open-Source-Bausteine diese Prüfung bestehen, könnte UnifoLM zu einer wichtigen gemeinsamen Grundlage für verkörperte KI werden. Bis dahin ist es ein ungewöhnlich umfangreiches Versprechen – und zugleich eine Einladung an die Robotik-Community, dieses Versprechen nachzumessen.

Quellen

Bewerte den Beitrag hier!
[Total: 1 Average: 5]
Nico Nuss [Bildinhalt mit KI erstellt]
Website

Der Autor Nico Nuss beschäftigt sich seit 2001 mit den Themen Mobile Computing und Automation Software. Auf Grund seiner Erfahrung und dem starken Interesse für Zukunftstechnologien gilt seine Aufmerksamkeit den Themen Robotik und AI.

Recherche und Transparenz

Grundlage: offizielle Unitree-Produkt- und Open-Source-Seiten, öffentliche GitHub-Repositories und Hugging-Face-Modellkarte; ergänzend aktuelle Berichterstattung zur WLA-1.0-Ankündigung. Herstellerangaben zu Benchmarks und 64 Aufgaben sind nicht unabhängig verifiziert. Für X2-1.0 liegen bislang kein ausführliches Paper und keine standardisierten Benchmarks vor.

Quellen

Passend zum Thema