1X steuert seinen Haushaltsroboter NEO mit einem Videomodell aus 14 Milliarden Parametern und ersetzt Roboterdaten durch Internetvideos

Das US-Unternehmen 1X Technologies hat am 12. Januar angekündigt, NEO, den Haushaltshumanoiden, für den es seit Oktober 2025 Bestellungen annimmt, künftig über ein generatives Videomodell zu steuern statt über ein klassisches Robotersteuerungsnetz. 1X nennt das System 1X World Model, kurz 1XWM. Vorstandschef Bernt Børnich erklärte, NEO könne nun aus Videos im Internetmaßstab lernen und dieses Wissen direkt in die physische Welt übertragen. Der 1X-Forscher Daniel Ho sagte, eine Anweisung des Nutzers lasse sich selbst bei nie gesehenen Aufgaben in eine vollständig autonome Handlung umsetzen.

Die technische Beschreibung, die 1X am selben Tag veröffentlichte, liefert die Zahlen. Kern ist ein textkonditioniertes Video-Diffusionsmodell mit 14 Milliarden Parametern. Es wurde in drei Stufen trainiert, zunächst mit Videos aus dem Netz, dann mit 900 Stunden Ich-Perspektive-Aufnahmen von Menschen, die Gegenstände handhaben, und schließlich mit 70 Stunden Sensor- und Motorprotokollen von NEO. Ein separates Modell für inverse Dynamik, trainiert mit 400 Stunden ungefilterter Roboterdaten einschließlich zufälliger Bewegungen, liest die erzeugten Bilder und berechnet die Aktionen, die von einem Bild zum nächsten führen. Es nutzt ein Depth-Anything-Grundmodell mit Flow-Matching-Kopf und ein gleitendes Fenster von acht Bildern.

Im Betrieb erhält NEO eine Textanweisung, das Weltmodell rendert fünf Sekunden vorhergesagtes Video, und das Dynamikmodell leitet daraus die Motorbefehle ab. Laut 1X dauert die Erzeugung auf mehreren GPUs elf Sekunden, die Aktionsableitung eine Sekunde. Vor jedem fünfsekündigen Bewegungsabschnitt stehen also rund zwölf Sekunden Rechenzeit. Zusätzlich erweitert ein Vision-Language-Modell kurze Anweisungen zu ausführlichen Beschreibungen, was nach Angaben von 1X die Treue des Videos zur Anweisung erhöht.

Ungewöhnlich offen legte 1X die Ergebnisse vor. In Praxistests mit je 30 Durchgängen erreichte das Greifen einer Chipstüte rund 100 Prozent Erfolg, das Dampfglätten eines Hemds rund 80 Prozent, das Öffnen einer Schiebetür und der Einsatz einer Gießkanne rund 60 Prozent, Bügeln und Geschirrschrubben rund 40 Prozent. Müsli eingießen und ein Smiley zeichnen scheiterten vollständig. Beim Ziehen eines Taschentuchs lag die Quote mit einer Generierung bei 30 Prozent und stieg auf 45 Prozent, wenn aus acht parallelen Generierungen die beste gewählt wurde. Als Grenzen nannte 1X schwaches räumliches Verständnis wegen monokularen Vortrainings, Über- oder Unterschießen von Zielpositionen trotz plausibler Videos, Probleme bei feinmotorischen Aufgaben und einen Horizont von fünf Sekunden.

Dahinter steht ein Konsumprodukt mit festen Konditionen. Das in Palo Alto ansässige Unternehmen öffnete die Bestellungen für NEO am 27. Oktober 2025. Der Frühzugang kostet 20.000 US-Dollar mit bevorzugter Lieferung 2026, alternativ gibt es ein Abonnement für 499 US-Dollar im Monat. Ausgeliefert wird 2026 in den USA, andere Märkte folgen ab 2027. Laut Startmitteilung wiegt NEO 66 Pfund, hebt 154 Pfund, trägt 55 Pfund und arbeitet mit 22 Dezibel. Im sogenannten Expert Mode können 1X-Mitarbeiter den Roboter aus der Ferne durch Aufgaben führen, die er allein noch nicht beherrscht.

Damit geht 1X einen anderen Weg als die meisten Wettbewerber. Die technische Beschreibung stellt 1XWM Vision-Language-Action-Modellen wie π0.6 von Physical Intelligence, Helix von Figure und GR00T N1.5 von NVIDIA gegenüber. Modelle auf Basis von Vision-Language-Netzen verstünden Bedeutung gut, seien aber nicht darauf trainiert, physikalische Abläufe vorherzusagen. Ein Videomodell wisse dagegen bereits, wie Gegenstände sich bewegen und fallen, daher brauche der Roboter weit weniger eigene Daten. Dafür stehen die 70 Stunden Feinabstimmung.

Die Gegenseite ist kapitalstark. Nach MEKAWIRE-Unternehmensdaten schloss Skild AI zwei Tage später, am 14. Januar 2026, eine Series C über 1,4 Milliarden US-Dollar bei einer Bewertung von 14 Milliarden US-Dollar ab, Figure sammelte im September 2025 eine Milliarde US-Dollar bei 39 Milliarden US-Dollar Post-Money ein. Die jüngste dort verzeichnete 1X-Runde ist eine Series B über 100 Millionen US-Dollar vom Januar 2024. NVIDIA bewegte sich zwei Monate später in dieselbe Richtung und stellte auf der GTC im März 2026 GR00T N2 als Modell vor, das vor dem Handeln Video vorhersagt.

Für Europa ist die Frage der Datenstrategie unmittelbar relevant. Agile Robots aus München vereinbarte im März 2026 eine Forschungskooperation mit Google DeepMind, um Gemini-Robotics-Modelle auf seinen Industrierobotern zu nutzen, und setzt damit auf ein fremdes Basismodell. Für europäische Hersteller und den Mittelstand, die keine großen Teleoperationsflotten finanzieren können, wäre ein Ansatz, der Fähigkeiten aus Menschenvideos statt aus teuren Roboterdemonstrationen gewinnt, ein günstigerer Einstieg.

Offen bleiben Tempo und Zuverlässigkeit. Zwölf Sekunden Wartezeit für fünf Sekunden Bewegung sind für einen Roboter, der sich die Küche mit Menschen teilt, zu langsam, und 40 Prozent Erfolg beim Bügeln oder Abwaschen liegen weit unter dem, was Kunden von einem Gerät für 20.000 US-Dollar erwarten. 1X nannte schnellere Inferenz, Neuplanung im geschlossenen Regelkreis mit Gedächtnis, Tiefen- oder Stereoeingaben sowie eine Selbstverbesserung aus eigener Robotererfahrung als nächste Schritte. Am 30. April 2026 eröffnete 1X in Hayward, Kalifornien, eine Fabrik mit 58.000 Quadratfuß und einer Kapazität von 10.000 NEO pro Jahr, Ziel sind mehr als 100.000 Einheiten jährlich bis Ende 2027. Am 4. Juni 2026 gründete das Unternehmen ein 1X World Model Lab unter Sam Sinha, zuvor Gründungsforscher bei Luma AI.