Magic-W0: Ein strukturiertes World-Action-Foundation-Modell für physische Intelligenz
Der Roboterhersteller MagicLab stellt in einem Preprint Magic-W0 vor, ein Robotermodell mit 3,4 Milliarden Parametern, das beim Wählen einer Aktion zugleich vorhersagt, wie sich die 3D-Szene bewegt und wie sie danach aussehen soll. In der Fassung vom 3. Oktober führt es die Rangliste von RoboDojo-Sim mit durchschnittlich 36,75 Punkten an, allerdings nur 0,48 Punkte vor dem Zweiten, und schlägt π0.5 von Physical Intelligence bei fünf Aufgaben auf echter Hardware mit 94,6 zu 91,8 Prozent.
Untersucht wird, ob eine Roboter-Policy besser manipuliert, wenn sie neben ihren Aktionen strukturiert vorhersagen muss, was diese Aktionen in der Welt bewirken, also die aktuelle 3D-Geometrie der Szene, die durch die Aktion entstehende 3D-Bewegung und den semantischen Zustand am Ende des Aktionsblocks.
Die meisten universellen Roboter-Policies übersetzen Kamerabild und Anweisung direkt in Motorbefehle. Ihr Szenenverständnis bleibt implizit, und nichts im Training zwingt das Modell zu prüfen, was eine geplante Aktion tatsächlich verändert. World-Action-Modelle sollten diese Lücke schließen. Das MagicLab-Team hält den bisherigen Modellen vor, entweder künftige Kamerabilder zu rekonstruieren und damit Kapazität auf Textur, Licht und Hintergrund zu verwenden, die für die Steuerung keine Rolle spielen, oder einen generischen latenten Zustand ohne erkennbare physikalische Struktur vorherzusagen, wobei Vorhersage und Aktionserzeugung meist nur lose verbunden sind.
Vision-Language-Action-Modelle wie π0, π0.5 und Xiaomi-Robotics-1 koppeln einen kontinuierlichen Action-Expert an ein vortrainiertes Bild-Sprach-Modell und lernen aus Demonstrationen. World-Action-Modelle ergänzen eine Vorhersage der Umgebung, entweder durch generierte Zukunftsbilder oder Videos wie bei Cosmos Policy und LingBot-VA oder durch latente Zukunftsmerkmale wie bei Video Prediction Policy und Fast-WAM. In der von den Autoren wiedergegebenen Momentaufnahme der RoboDojo-Sim-Rangliste lagen vor Magic-W0 PhysicalRSI, ein Agent mit VLA-Modell, mit 36,27 Punkten, das geschlossene World-Action-Modell Awomo-0.5 mit 35,34 und das geschlossene VLA-Modell Simate-beta mit 33,95 vorn. Bestes offenes Modell war InternW0-Δ mit 30,77, π0.5 kam auf 11,44.
Magic-W0 zerlegt die Weltvorhersage in drei Teile. Der aktuelle Zustand verbindet den Bild-Sprach-Kontext mit der gegenwärtigen 3D-Geometrie der Szene. Der Übergang ist die 3D-Bewegung, die die Aktion voraussichtlich auslöst. Der künftige Zustand beschreibt semantisch die Szene nach dem Aktionsblock. Ein 3D-Strang trägt Geometrie und Bewegung, ein eigener semantischer Strang die Zukunftssemantik, ein Action-Expert erzeugt kontinuierliche Aktionen per Flow Matching. Die drei Stränge laufen neben einem Bild-Sprach-Rückgrat vom Typ Qwen3.5-2B (2,2 der insgesamt 3,4 Milliarden Parameter) in einem Stapel aus 24 Schichten und tauschen auf sechs ausgerichteten Schichten, 4, 8 und so weiter bis 24, per gemeinsamer Attention Informationen aus. So prägt die Aktionshypothese die Weltvorhersage und umgekehrt, in jedem Schritt der Erzeugung. Zwei eingefrorene Lehrermodelle, Track4World für Geometrie und 3D-Bewegung sowie DINOv3 für semantische Merkmale, liefern nur Trainingsziele und werden bei der Inferenz nicht geladen. Jede Kinematik wird auf einen einheitlichen 34-dimensionalen Zustands-Aktions-Vektor abgebildet, 17 Werte je Arm (sieben Gelenke, eine Greiferöffnung, drei Werte für die Endeffektorposition, sechs für die Rotation), ungenutzte Plätze werden maskiert. Für das Vortraining dienten rund 2,014 Millionen Manipulationsepisoden: etwa 690.000 aus egozentrischen Menschenvideos (34,3 Prozent), 231.000 von handgeführten UMI-Greifern (11,5 Prozent), 645.900 von echten Robotern (32,1 Prozent, davon rund 500.000 aus dem offenen Datensatz AgiBotWorld-Beta von AgiBot) und 447.200 aus der Simulation (22,2 Prozent). Dazu kamen Batches aus rund 2,61 Millionen Bild-Sprach-Beispielen im Verhältnis 9 zu 1. Aktionen werden in Blöcken von 50 Schritten vorhergesagt, bei der Inferenz mit zehn Euler-Schritten.
In RoboDojo-Sim, einem Benchmark mit 42 Aufgaben in fünf Fähigkeitsgruppen, erreichte Magic-W0 laut der Rangliste, die die Autoren am 3. Oktober 2026 abriefen, im Mittel 36,75 Punkte bei einer Erfolgsquote von 30,36 Prozent. Damit lag es vor PhysicalRSI (36,27), Awomo-0.5 (35,34), Simate-beta (33,95), einem Agenten auf Basis von GPT-6-Astra (28,97), dem besten offenen Modell InternW0-Δ (30,77), DM0.5 (24,90), G0.5 von Galaxea (20,23), Xiaomi-Robotics-1 (20,07) und π0.5 (11,44). Bei Generalisierung (37,48) und Gedächtnis (52,68, Erfolgsquote 51,67 Prozent) war es Erster, aber nicht überall. Bei Präzision führte Awomo-0.5 (39,65 gegenüber 37,14), bei Langzeitaufgaben Simate-beta (57,84 gegenüber 51,80), und in der offenen Kategorie kam Magic-W0 nur auf 4,65 Punkte, gegenüber 34,36 für GPT-6-Astra und 28,88 für PhysicalRSI. Nach Feintuning auf LIBERO erreichte es im Mittel 99,1 Prozent und lag damit über den zitierten veröffentlichten Werten von LingBot-VA (98,5), X-VLA (98,1), Fast-WAM (97,6) und π0.5 (96,9 Prozent). Bei Spatial (99,4) und Goal (99,6 Prozent) war es am besten, bei Object lag Fast-WAM vorn (100 gegenüber 99,2 Prozent), bei Long LingBot-VA (98,5 gegenüber 98,0 Prozent). Bei fünf Aufgaben auf echter Hardware mit je 100 Versuchen, gleichen Demonstrationen und gleichem Trainingsbudget wie π0.5 lag die mittlere Erfolgsquote bei 94,6 gegenüber 91,8 Prozent. Gegenstände einräumen stieg von 90 auf 95 Prozent, Küche aufräumen von 91 auf 95 Prozent, Stifte einräumen um drei und Kleidung falten um zwei Punkte, beim Aufrichten einer Flasche kamen beide auf 100 Prozent. In Mechanismustests stieg der Fehler der semantischen Zukunftsvorhersage um 73,5 Prozent, wenn Aktionen einer anderen Probe eingesetzt wurden, bei geringstem Rauschen, und um 8,0 Prozent bei stärkstem Rauschen. Das Kappen der Verbindung vom 3D- zum semantischen Strang erhöhte den Fehler um 60,8 Prozent, die umgekehrte Richtung nur um 2,6 Prozent, das Kappen aller Querverbindungen um 95,3 Prozent.
Es handelt sich um einen Preprint ohne Peer-Review. Die Autoren räumen ein, dass die schichtweise Kopplung von Welt und Aktion zusätzliche Rechenlast bringt und bei der Inferenzgeschwindigkeit eine Lücke zu führenden VLA-Modellen bleibt, nennen aber keine Latenz- oder Durchsatzwerte. Aus Sicht von MEKAWIRE ist das RoboDojo-Sim-Ergebnis eine Momentaufnahme einer laufend aktualisierten Rangliste, die Autoren haben Magic-W0 selbst nach dem Protokoll ausgewertet, und 0,48 Punkte Vorsprung auf PhysicalRSI sind wenig. In der offenen Kategorie ist das Modell schwach. Die LIBERO-Vergleichswerte sind aus früheren Berichten übernommen, nicht neu gemessen, und der Benchmark ist nahezu gesättigt. Der Vorsprung von 2,8 Punkten auf echter Hardware entsteht bei Aufgaben, die beide Systeme schon zu über 90 Prozent lösen, aus 100 Versuchen je Aufgabe und ohne Konfidenzintervalle. Das Paper führt Code und Gewichte als öffentlich und verweist auf ein GitHub-Repository, geprüft haben wir sie nicht. Geschickte Mehrfingerhände sowie Tast- und Kraftsensorik bleiben künftigen Arbeiten vorbehalten, und das Rezept stützt sich auf zwei große Lehrermodelle und mehr als zwei Millionen Episoden.
Die Arbeit zeigt einen Humanoid-Hersteller, der ein eigenes Foundation-Modell trainiert und es direkt mit π0.5 und Nvidias GR00T N1 misst, statt diese zu übernehmen. 3D-Bewegung und semantischen Endzustand statt kompletter Zukunftsvideos vorherzusagen, ist eine schlankere Form der Weltmodellierung als der videogenerierende Ansatz. Für Hersteller und Integratoren, die Policies auf Bordrechnern betreiben müssen, etwa in der Automobilzulieferung oder Intralogistik, wird das interessant, sobald die von den Autoren eingeräumten Inferenzkosten sinken. Aufschlussreich ist der Datenmix: Ein Drittel der Episoden stammt aus egozentrischen Menschenvideos, ein Zehntel von UMI-Greifern, und die größte Quelle echter Roboterdaten ist der offene Datensatz von AgiBot. Offene Daten eines chinesischen Herstellers fließen damit in das Modell eines Wettbewerbers. Entsprechen die veröffentlichten Gewichte dem Paper, können europäische Integratoren Magic-W0 binnen Monaten gegen π0.5 testen. Ein sichtbarer Effekt auf MagicLabs eigene Roboter ist frühestens in 12 bis 24 Monaten zu erwarten.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.