Seoul National University: Dynin-Robotics erreicht 78,4 Prozent am Franka-Arm und liegt knapp vor pi0.5 und NVIDIA GR00T

Das AIDAS-Labor von Professor Do Jae-young an der Seoul National University hat das Robotik-Foundation-Modell Dynin-Robotics vorgestellt. Laut dem auf arXiv veröffentlichten Paper und der Projektseite erreichte es an einem Franka Research 3 des Münchner Herstellers Franka Robotics in vier realen Manipulationsszenarien im Mittel 78,4 Prozent Erfolg. Im selben Test kamen pi0.5 von Physical Intelligence auf 76,9 Prozent, NVIDIAs Cosmos Policy auf 73,6 Prozent und NVIDIAs GR00T-N1.6 auf 73,0 Prozent. Die Arbeit ist für die NeurIPS 2026 im Dezember angenommen; koreanische Medien berichteten am 17. Oktober über die Mitteilung der Universität.

Der Vorsprung ist klein, aufschlussreich ist seine Herkunft. Gegenüber pi0.5 lag Dynin-Robotics beim Greifen und Ablegen von Obst um 1,0, beim Sortieren von Würfeln um 2,0 und beim Stapeln in vorgegebener Farbreihenfolge um 4,5 Prozentpunkte vorn, beim freien Stapeln 1,5 Punkte zurück. Am deutlichsten führt das Modell dort, wo die Anweisung eine Reihenfolge festlegt.

Ein Modell, das die Szene vor der Bewegung vorhersagt

pi0.5 und GR00T setzen einen Aktionskopf auf ein Vision-Language-Modell, Cosmos Policy baut auf einem Videogenerator auf. Dynin-Robotics basiert auf dem im März veröffentlichten omnimodalen Masked-Diffusion-Modell Dynin-Omni des Labors und legt Sprache, Kamerabilder, Zielbilder und quantisierte Roboteraktionen in eine gemeinsame Tokenfolge. Je nachdem, welche Abschnitte maskiert werden, lernt dasselbe Netz Aktionen zu erzeugen, das nächste Bild nach einer Aktion vorherzusagen, den Endzustand zu imaginieren und eine Trajektorie in Worten zu beschreiben.

Zur Laufzeit lassen sich diese Fähigkeiten kombinieren. Laut Paper verbesserte die Kombination aus Zielbildführung und gemeinsamer Erzeugung von Aktion und nächstem Bild die Erfolgsquote bei umformulierten Anweisungen gegenüber reiner Aktionserzeugung, während jede Komponente allein schlechter abschnitt.

Die Zahlen hinter dem Anspruch

Vortrainiert wurde auf rund 1,33 Millionen Trajektorien aus 48 Open-X-Embodiment-Datensätzen, angepasst wurde je Benchmark getrennt. In LIBERO erreicht das Modell 98,1 Prozent, gleichauf mit X-VLA, und im gestörten LIBERO-Plus zero-shot 73,0 Prozent, unter den 81,6 Prozent von ABot-M0; Kamera- und Roboterstörungen bleiben mit 59,8 und 48,2 Prozent Schwachstellen. Ein beschleunigter Decoder auf Basis von dInfer steigerte den modellseitigen Aktionsdurchsatz auf einer NVIDIA B200 um das 29,15-Fache auf 268,8 Aktionseinheiten pro Sekunde, gegenüber 7,35 für pi0.5. Gewichte und Code sollen folgen.