Alle Depeschen

DepescheForschungneu

BAAI stellt „Orca“ vor: Weltmodell sagt abstrakte Zustände statt Tokens oder Pixel vorher

Die Beijing Academy of Artificial Intelligence (BAAI) hat mit Orca ein Weltfundament-Modell veröffentlicht, das nicht das nächste Token oder Bild, sondern den nächsten abstrakten Weltzustand in einem einheitlichen latenten Raum vorhersagt („Next-State-Prediction“). Trainiert wurde es laut Paper auf 125.000 Stunden Videomaterial und 160 Millionen Ereignis-Annotationen – ohne ein einziges Aktions-Label. In zwei Größen (0,8 und 4 Mrd. Parameter) bedient ein Modell Textgenerierung, interaktions-bedingte Bildvorhersage und echte Roboter-Aktionen. Auf fünf Manipulationsaufgaben eines zweiarmigen Humanoiden erreicht Orca-4B laut den Autoren mit nur 200 realen Beispiel-Aufnahmen je Aufgabe eine mit dem robotik-spezialisierten Modell π0.5 vergleichbare Leistung.

Orca verfolgt ein „Next-State-Prediction“-Paradigma: Statt getrennt das nächste Token, das nächste Videobild oder die nächste Aktion zu optimieren, lernt das Modell einen einheitlichen latenten Weltzustand aus multimodalen Signalen und stellt ihn über verschiedene „Readout“-Schnittstellen bereit. Das Team unterscheidet dabei zwischen „unconscious learning“ (dichte, natürliche Zustandsübergänge aus fortlaufendem Video) und „conscious learning“ (spärliche, bedeutungstragende Übergänge).

Für das Vortraining nennt das Paper 125.000 Stunden Videomaterial und 160 Millionen Ereignis-Annotationen (laut The Decoder zusätzlich 11,5 Millionen Frage-Antwort-Paare); die aktuelle Version nutze davon erst rund ein Zehntel. Die Modelle liegen in 0,8 und 4 Milliarden Parametern vor. In der Robotik-Auswertung – Bücher einräumen, Schalen stapeln, Zucker löffeln mit einem zweiarmigen Humanoiden – erreicht Orca-4B laut Anbieter π0.5-Niveau, obwohl das Grundmodell im Vortraining nie gepaarte Aktions-Bild-Daten gesehen hat; für das Aktionsmodul genügten 200 reale Aufnahmen je Aufgabe.

Einordnung: Titel, Paradigma und Datenskala sind über die arXiv-Primärquelle (2606.30534, „Orca: The World is in Your Mind“) belegt; die Zuordnung zu BAAI sowie die Robotik-Details (π0.5-Parität, Modellgrößen) stützt die deutschsprachige Berichterstattung von The Decoder. Die Leistungszahlen bleiben Autoren-Eigenmessungen und unabhängig unbestätigt. Orca reiht sich in eine Reihe jüngerer „Weltmodell“-Ansätze ein – vom Sprach-Weltmodell Qwen-AgentWorld für Agenten-Sandboxes bis zu verkörperten Vision-Language-Action-Modellen.