Unitree hat mit UnifoLM-WLA-1.0 ein neues Foundation Model für humanoide Roboter vorgestellt. Das Modell verfügt über 6 Milliarden Parameter und wurde mit rund 2.500 Stunden realer Roboterdaten trainiert. In den veröffentlichten Tests deckt ein einziges Modell 64 unterschiedliche Aufgaben ab – von Tischmanipulation bis zu Ganzkörperbewegungen.
Damit verfolgt Unitree einen Ansatz, der derzeit in der Robotik zunehmend an Bedeutung gewinnt: Statt für jede Aufgabe, jeden Greifer oder jede Roboterkonfiguration ein eigenes Modell zu trainieren, soll eine gemeinsame KI möglichst viele unterschiedliche Fähigkeiten übernehmen.
Bei UnifoLM-WLA-1.0 umfasst das 54 Tischaufgaben und zehn Ganzkörper-Manipulationsaufgaben. Getestet wurde das Modell unter anderem auf dem humanoiden Unitree G1.
Ein Modell für unterschiedliche Hände und Aufgaben
UnifoLM-WLA-1.0 soll nicht nur zwischen unterschiedlichen Aufgaben generalisieren, sondern auch mit verschiedenen Endeffektoren umgehen können.
Nach Angaben von Unitree unterstützt das Modell sowohl Zwei-Finger-Greifer als auch mehrere Varianten fünf-fingriger Roboterhände.
Das ist relevant, weil unterschiedliche Hände normalerweise auch unterschiedliche Aktionsräume erzeugen. Eine Roboterhand mit fünf Fingern muss völlig andere Bewegungsabläufe lernen als ein einfacher Parallelgreifer.
Unitree versucht deshalb, die Aktionen verschiedener Roboter und Endeffektoren in einem gemeinsamen Modell abzubilden. Damit sollen gelernte Fähigkeiten leichter zwischen unterschiedlichen Hardware-Konfigurationen übertragen werden können.
Das langfristige Ziel ist klar: Ein humanoider Roboter soll nicht mehr für jede Kombination aus Aufgabe und Hardware neu trainiert werden müssen.
2.500 Stunden reale Roboterdaten
Für das Training verwendet Unitree nach eigenen Angaben rund 2.500 Stunden hochwertige Daten von realen Robotern.
Das Modell kombiniert dabei allgemeine multimodale Wahrnehmung mit speziell für Embodied AI entwickelten Daten.
Ein wichtiger Bestandteil ist der sogenannte Embodied Reasoner UnifoLM-ER-1. Er basiert auf Qwen3-VL-4B und wurde mit mehr als fünf Millionen Trainingsbeispielen weiterentwickelt.
Diese Daten umfassen unter anderem Objekterkennung, räumliches Verständnis, Punkt- und Trajektorienvorhersage sowie die Analyse mehrerer Bilder.
Unitree berichtet, dass UnifoLM-ER-1 bei sieben von 16 getesteten multimodalen Wahrnehmungs- und Reasoning-Benchmarks die besten Ergebnisse unter den verglichenen Open-Source-Modellen erreicht.
Auf UnifoLM-ER-1 baut zunächst UnifoLM-ER-Flow auf, das zusätzlich diskrete Aktionen und vorhergesagte Veränderungen der Umgebung modelliert. UnifoLM-WLA-1.0 nutzt dieses Modell anschließend als multimodales Backbone und ergänzt einen MMDiT-basierten Action Expert.
Wahrnehmen, vorhersagen und handeln
UnifoLM-WLA-1.0 erweitert damit den klassischen Vision-Language-Action-Ansatz um eine zusätzliche Form des interaktionszentrierten World Modelings.
Die Architektur kombiniert drei Ebenen: Das Modell soll seine Umgebung verstehen, mögliche Veränderungen in der Szene vorhersagen und daraus schließlich konkrete Roboteraktionen erzeugen.
Unitree bezeichnet diesen Ansatz als World-Language-Action-Modell.
Dabei werden visuelle Informationen, Sprache und Aktionen in einer gemeinsamen Architektur verarbeitet. Zusätzlich versucht das Modell vorherzusagen, welche Bereiche eines Bildes sich durch eine Handlung wahrscheinlich verändern werden.
Die Idee dahinter ähnelt der Entwicklung bei aktuellen World Models: Ein Roboter soll nicht nur eine Aktion ausführen, sondern ein besseres internes Verständnis davon entwickeln, wie seine Handlungen die Umgebung verändern.
„Open Source“ mit Einschränkung
Rund um die Veröffentlichung wurde UnifoLM-WLA-1.0 teilweise bereits als vollständig Open Source bezeichnet. Der aktuelle Stand ist allerdings etwas differenzierter.
Unitree hat die Projektseite und das öffentliche GitHub-Repository bereitgestellt. Seit dem 11. September sind zudem die Modellgewichte von UnifoLM-ER-1 und UnifoLM-ER-Flow über Hugging Face verfügbar. Auch erste Datensätze aus dem UnifoLM-Ökosystem wurden bereits veröffentlicht.
Der entscheidende Unterschied: Der vollständige WLA-Checkpoint selbst sowie der angekündigte Post-Training-Code sind nach aktuellem Stand noch nicht als Download verfügbar. Im offiziellen Repository werden sie weiterhin im Open-Source-Plan geführt.
Damit ist ein erheblicher Teil des technischen Stacks bereits öffentlich zugänglich, das komplette UnifoLM-WLA-1.0 lässt sich derzeit jedoch noch nicht vollständig reproduzieren.
Der Wettbewerb verschiebt sich auf die Modelle
Dass Unitree parallel zu neuen Humanoid-Hardwareplattformen inzwischen verstärkt eigene Foundation Models entwickelt, zeigt, wie sich der Wettbewerb in der Branche verändert.
Mechanik, Motoren und Bewegungssteuerung bleiben entscheidend. Gleichzeitig wird jedoch immer wichtiger, wie viele unterschiedliche Aufgaben ein Roboter mit derselben Softwarebasis bewältigen kann.
Genau deshalb ist die Zahl von 64 Aufgaben bei UnifoLM-WLA-1.0 interessanter als ein einzelner besonders beeindruckender Demo-Clip. Entscheidend wird langfristig nicht sein, ob ein Roboter eine bestimmte Aufgabe einmal beherrscht, sondern ob ein gemeinsames Modell viele Fähigkeiten, verschiedene Hände und unterschiedliche Einsatzszenarien zuverlässig abdecken kann.
UnifoLM-WLA-1.0 ist noch kein Beweis dafür, dass dieses Problem gelöst ist. Es zeigt aber, in welche Richtung sich der Wettbewerb bei humanoiden Robotern bewegt: weg von einzelnen, speziell trainierten Fähigkeiten – und hin zu möglichst universellen Modellen für den gesamten Roboter.