Analyse
Xpengs GroundingPI, ein Wahrnehmungsmodell mit rund 4 Milliarden Parametern, erreicht 73,68 gegen 71,54 für GPT-6 Astra in 34 Benchmarks, laut Xpeng, mit Erklärung von Abstand und Grenzen
Laut den Autoren von Xpeng erreicht GroundingPI 73,68 gegen 71,54 für GPT-6 Astra in 34 Wahrnehmungs-Benchmarks. GPT-6 Astra bleibt bei anderen vorn.
Am 4. November 2026 hat Xpeng GroundingPI vorgestellt, ein Basismodell für „verkörperte“ Wahrnehmung mit rund 4 Milliarden Parametern, entwickelt mit Universitätsteams, darunter die Peking-Universität und die Universität Hongkong (CnEVPost). Die Autoren berichten einen Durchschnitt von 73,68 über 34 Benchmarks, gegen 71,54 für GPT-6 Astra, das Modell von OpenAI. Die Messungen stammen von ihnen, sind nicht unabhängig reproduziert und betreffen nur die Wahrnehmung. Wir haben vier Seiten über automatische Zusammenfassungen gelesen und nichts ausgeführt. Dies ist weder Anlage- noch technische Beratung.
Das Wichtigste
- Die Zahl: laut den Autoren im Durchschnitt 73,68 gegen 71,54 in 34 öffentlichen Grounding-Benchmarks, ein Abstand von 2,14 Punkten. GPT-6 Astra bleibt bei anderen vorn.
- Der Umfang: nur Wahrnehmung, kein Schlussfolgern und keine allgemeine Intelligenz; ein spezialisiertes Modell gegen ein Generalistenmodell.
- Der Stand: Code und Gewichte veröffentlicht, Lizenz nicht genannt. Die Ergebnisse zu Robotik und Fahren stammen aus Simulation oder aufgezeichneten Daten.
- Nicht belegt: die genaue Parameterzahl, unabhängige Reproduktion, Integration in Xpeng-Produkte.
Was ist GroundingPI?
„Grounding“ heißt, in einem Bild zu verorten, was ein Satz beschreibt, und dafür Punkte oder Boxen auszugeben. GroundingPI schreibt sie als quantisierte Koordinaten in einem gemeinsamen Vokabular (arXiv, Projektseite). „PI“ steht für Physical Intelligence (CnEVPost, xpeng.guru).
Laut dem arXiv-Artikel kombiniert es einen Bildencoder MoonViT-V2 (von Kimi K3), einen Projektor und einen Sprachdecoder Qwen3-4B. „4B“ ist eine Bezeichnung: Die genaue Zahl steht nicht in dem Teil des Artikels, den wir gelesen haben, und eine Forschungszusammenfassung nennt mit dem Bildencoder einen höheren Wert, den wir nicht prüfen konnten. Das Training nutzte keine Roboterdaten mit Aktionslabels, nur Wahrnehmungsdaten aus 11 Kategorien, etwa allgemeine Erkennung und Texterkennung (CnEVPost, xpeng.guru).
Was bedeuten 73,68 und 71,54?
Es ist ein Durchschnitt über 34 öffentliche Grounding-Benchmarks, die 11 Wahrnehmungsfähigkeiten abdecken, wobei GPT-6 Astra unter 44 Referenzmodellen ist (arXiv, Projektseite, CnEVPost). Der Abstand von 2,14 Punkten ist unsere Rechnung. CnEVPost und xpeng.guru beschreiben eine Gewichtung nach Kategorien; der von uns gelesene Teil des Artikels beschreibt die Aggregation nicht.
Die Autoren führten die Bewertung durch; kein unabhängiger Prüfer wird genannt (CnEVPost). GPT-6 Astra, laut CnEVPost ein OpenAI-Modell vom September 2026 (OpenAI sagt, GPT-Rosalind-6, behandelt in unserem Artikel, läuft auf seinen Gewichten), wurde mit dem Denkaufwand „hoch“ betrieben. Im gelesenen Teil sind keine weiteren Einstellungen oder Prompts genannt, einige Referenzwerte stammen aus externen Veröffentlichungen, und der Artikel weist auf Unsicherheiten bei Prompts und Auswertung hin (arXiv).
Wo GPT-6 Astra vorn bleibt
Der Artikel sagt, GPT-6 Astra behalte einen deutlichen Vorsprung beim Grounding von Robotern, Raum und Oberflächen (GUI) und führe bei TotalText und beim Dense200-Zeigen. Er nennt das Modell zudem „wettbewerbsfähig“ gegenüber GPT-6 Astra und besser als Modelle vergleichbarer Größe (arXiv).
Quelle: arXiv 2609.39601.
„Vorn im Durchschnitt dieser 34 Benchmarks, laut den Autoren“ stimmt also. „Besser als GPT-6 Astra“ nicht.
Robotik und Fahren: Simulation und offener Regelkreis
Laut den Autoren (Projektseite, arXiv):
- RoboCasa-GR1: Mit 50 % der Demonstrationen (28,75 %) übertrifft das System Baselines, die mit 75 % trainiert wurden; in der Verteilung liegt es knapp hinter RynnBrain-2B (37,75 gegen 39,00).
- RoboTwin 2.0: Es übertrifft die bewerteten Vision-Architekturen in den vier Szenarien außerhalb der Verteilung, bis zu 24,8 % relativ zum Besten; 66,20 in der Verteilung gegen 60,62.
- nuScenes: mittlerer L2-Fehler im offenen Regelkreis von 0,296 m, gegen 0,301 m für Qwen3-VL-4B und 0,308 m für RynnBrain. Die Leistung im geschlossenen Regelkreis ist nicht belegt.
Ein Einsatz auf echten Robotern wird nicht berichtet (CnEVPost: Simulationsergebnisse).
Was ist nicht belegt?
Die genaue Parameterzahl; die Aggregationsmethode; die unabhängige Reproduktion, insbesondere des Werts von GPT-6 Astra; die Lizenz; die Leistung im geschlossenen Regelkreis und mit echten Robotern; die Integration in Xpeng-Produkte; die vollständige Liste der Benchmarks; der Einfluss von Größe und Spezialisierung.
Quelle: CnEVPost, arXiv, Projektseite.
Vergleichstabelle
| Punkt | Was die Quellen sagen | Status |
|---|---|---|
| Durchschnitt | 73,68 gegen 71,54 für GPT-6 Astra | Von den Autoren erklärt |
| Wo Astra führt | Grounding von Robotern, Raum, Oberflächen; TotalText; Dense200-Zeigen | Von den Autoren erklärt |
| Veröffentlichung | Code und Gewichte veröffentlicht; Lizenz nicht genannt | Berichtet |
| Parameter und Reproduktion | Bezeichnung „4B“; keine unabhängige Prüfung genannt | Nicht belegt |
Häufige Fragen
Ist GroundingPI besser als GPT-6 Astra?
Nicht allgemein. Im Durchschnitt dieser 34 Benchmarks liegt GroundingPI laut den Autoren vorn, aber GPT-6 Astra bleibt bei anderen vorn, etwa bei ScreenSpot-Pro. Xpeng sagt, der Wert messe nur die Wahrnehmung, und sieht GroundingPI als Basis für das „schnelle System“ verkörperter KI, nicht als Ersatz für große allgemeine Modelle (CnEVPost, xpeng.guru).
Ist das Modell Open Source?
Code und Gewichte sind auf GitHub, Hugging Face und ModelScope veröffentlicht (CnEVPost, xpeng.guru). In den gelesenen Seiten ist keine Lizenz genannt; die CC BY 4.0 der arXiv-Seite sagt nichts über Code oder Gewichte.
Kommt es in Xpeng-Autos?
Keine gelesene Seite sagt das. CnEVPost spricht von einem wissenschaftlichen Prototyp; xpeng.guru, eine inoffizielle Quelle, sagt, es sei keine Ankündigung einer Produktintegration.
Methode und Grenzen
Am 4. November 2026 haben wir über automatische Zusammenfassungen CnEVPost, den arXiv-Artikel (nur die ersten 100.000 von rund 242.000 Zeichen), die Projektseite und xpeng.guru gelesen, eine Seite mit unklarer Zugehörigkeit, die Xpengs Mitteilung zitiert. Nicht gelesen haben wir Xpengs Mitteilung, seinen Beitrag auf X, AI Weekly, das GitHub-Repository und die Hugging-Face-Seite. Die Werte sind die der Autoren, nicht reproduziert.
Quellen
- CnEVPost, Xpeng unveils GroundingPI, automatische Zusammenfassung
- arXiv 2609.39601, automatische Zusammenfassung, nur die ersten 100.000 Zeichen
- Projektseite GroundingPI, automatische Zusammenfassung
- xpeng.guru, inoffizielle Seite, automatische Zusammenfassung
Einen Fehler in diesem Artikel entdeckt? Melden Sie ihn · Unsere Korrekturrichtlinie
