Modelle
Meituans Robotikteam veröffentlicht Meituan-Robotics-0 (MR0), ein Vision-Sprache-Aktion-Modell für Tischmanipulation, trainiert mit 15.060 Stunden Roboter-Trajektorien von 12 Roboterkörpern; die Benchmark-Ergebnisse im arXiv-Papier sind selbst berichtet
Meituan hat MR0 auf arXiv veröffentlicht, ein Vision-Sprache-Aktion-Modell für Tischmanipulation mit 15.060 Stunden Roboterdaten. Selbst berichtet.
Meituans Robotikteam hat Meituan-Robotics-0 (MR0) am 5. November 2026 auf arXiv veröffentlicht. Es beschreibt MR0 als Vision-Sprache-Aktion-Basismodell und Embodied-Agent-System für Tischmanipulation mit fester Basis. Das Papier sagt, es kombiniere 147 Millionen Vision-Sprache-Beispiele mit 15.060 Stunden ausgewählter Roboter-Trajektorien von 12 Roboterkörpern. Die Ergebnisse stammen aus der Auswertung der Autoren selbst, und das Papier ist nicht begutachtet.
Das Wesentliche
- Die Daten: Von den 15.060 Stunden stammen etwa 3.235 Stunden (21,5 %) aus RoboDesk, einer Sammlung quelloffener Trajektorien echter Roboter, 7.530 Stunden (50,0 %) sind lizenzierte Echtroboterdaten und 4.295 Stunden (28,5 %) offene Simulationsdaten. Das Papier sagt auch, rund 13,6 k Stunden verkörperter Daten seien im Training verwendet worden.
- Die Ergebnisse: Die Zusammenfassung berichtet 93,6 % Erfolg auf RoboTwin 2.0 und Platz fünf in der RoboDojo-VLA-Spur. Sie sagt auch, bei gleichem HG-DAgger-Nachtraining übertreffe MR0 π0.5 bei mittlerem Erfolg und Fortschritt in drei Aufgaben mit echtem Roboter.
- Die Methode: Eine einheitliche Endeffektor-Schnittstelle unterstützt verschiedene Roboterkörper, und asynchrones Zusammenführen von Aktionsblöcken hält die Bewegung glatt, wenn die Inferenzlatenz schwankt. Die GitHub-Seite beschreibt eine erste Stufe, die diskrete Aktionstoken lernt, und eine zweite, die mit einem Flow-Matching-Modell zu kontinuierlicher Steuerung übergeht.
- Die Aufgaben: Das Repository nennt reale Demonstrationen zum Platzieren von Buchstabenblöcken, Falten von Kleidung und Einstecken von Netzwerkkabeln. Es sagt, MR0 baue auf dem Trainings- und Bereitstellungs-Stack StarVLA auf.
Was feststeht und was nicht
Feststeht: Das Papier existiert auf arXiv, mit 37 genannten Autoren, und nennt die Datenzusammensetzung und die obigen Benchmark-Zahlen. Nicht geklärt: eine unabhängige Replikation; MR0s Leistung außerhalb der getesteten Tischumgebungen; ob die Modellgewichte veröffentlicht sind, was wir aus dem gesehenen Repository-Text nicht bestätigen konnten. „Tisch“ meint hier einen festen Arm an einem Tisch, keinen mobilen oder humanoiden Roboter.
Warum es wichtig ist
Große Roboteraktions-Datensätze werden zu einem Hauptinput für allgemeine Robotermodelle, und ein eher für Lieferungen bekanntes Unternehmen veröffentlicht sein eigenes Rezept und seine Zahlen. Ein fünfter Platz und ein Dreiaufgabenvergleich mit π0.5 sind schmale Belege. Keine Anlageberatung.
Was nicht belegt ist
- Unabhängige Überprüfung der 93,6 % und des Rangs: keine gefunden.
- Veröffentlichung der MR0-Gewichte: in den gelesenen Quellen nicht bestätigt.
- Leistung auf mobilen oder humanoiden Robotern: außerhalb des Papiers.
- Begutachtung: Das Papier ist ein Preprint.
Übersichtstabelle
| Punkt | Was Stand 7. November 2026 behauptet wird | Quelle |
|---|---|---|
| Eingereicht | 5. November 2026 | arXiv |
| Trainingsdaten | 147 Mio. Vision-Sprache-Beispiele, 15.060 Stunden, 12 Roboterkörper | arXiv |
| Aufteilung | 3.235 h RoboDesk, 7.530 h lizenziert real, 4.295 h Simulation | arXiv HTML |
| Berichtete Ergebnisse | 93,6 % auf RoboTwin 2.0; Platz 5 bei RoboDojo VLA | arXiv |
| Code | Repository Meituan-Robotics-0, auf StarVLA | GitHub |
FAQ
Was macht MR0?
Es ist ein Modell, das Kamerabilder und Spracheanweisungen in Aktionen für einen Roboterarm am Schreibtisch umsetzt.
Sind die Ergebnisse unabhängig?
Nein. Sie werden vom Meituan-Team im Papier berichtet.
Ist es ein Humanoiden-Modell?
Nein. Das Papier zielt auf Tischmanipulation mit fester Basis.
Methode und Grenzen
Quellen am 9. November 2026 geprüft: die arXiv-Zusammenfassungsseite, die arXiv-HTML-Version und das GitHub-Repository, als Suchauszüge gelesen, nicht vollständig. Wir haben das Modell nicht ausgeführt und die Gewichte nicht geprüft. Keine Anlageberatung.
Quellen
- arXiv: Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation (abstract) (geprüft am 2026-11-08)
- arXiv HTML: Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation (HTML) (geprüft am 2026-11-08)
- GitHub: Meituan-Robotics/Meituan-Robotics-0 (geprüft am 2026-11-08)
Einen Fehler in diesem Artikel entdeckt? Melden Sie ihn · Unsere Korrekturrichtlinie