MWA-Phoenix: Anyverse Dynamics veröffentlicht 7-Milliarden-Modell quelloffen

Anyverse Dynamics hat sein vollständig vortrainiertes Weltmodell MWA-Phoenix als Open-Source-Lösung für den Edge-Einsatz veröffentlicht. Wie aus einem Bericht vom 26. Oktober 2026 hervorgeht, arbeitet das rund sieben Milliarden Parameter umfassende Modell direkt im latenten Raum und verarbeitet Bilddaten ausschließlich über RGB-Eingaben, ohne auf zusätzliche Tiefensensoren angewiesen zu sein.

Effiziente Architektur für autonome Regelung am Edge

MWA-Phoenix fungiert laut den Entwicklern als schnelles Steuerungssystem auf dem Endgerät. Das System erzielt bei asynchroner Inferenz eine Latenz von rund 100 Millisekunden im geschlossenen Regelkreis. Welt- und Aktionsdynamiken werden dabei gemeinsam im latenten Raum erlernt.

Technisch basiert die Architektur auf DINOv3 als visuellem Backbone in Kombination mit einer Dual-Teacher-Distillation. Für das Training wurden kumuliert mehr als 200.000 Stunden an multimodalen Daten herangezogen. Der Hersteller stellt neben MWA-Phoenix eine vollständige quelloffene Kette bereit, die auch die zugehörige Datenpipeline sowie die spezialisierten Komponenten Phoenix-ILA und Phoenix-PhysCanvas umfasst.

Testergebnisse und Spezialmodule für physische Interaktionen

Experten analysieren derzeit die größte Industrierevolution seit Jahrzehnten, in der Robotik und KI ganze Branchen umkrempeln. Dieser kostenlose Report fasst zusammen, wie neue Technologien traditionelle Abläufe grundlegend verändern und wer davon profitiert. Robotik und KI: Profiteure der neuen Industrieära erkennen

In mehreren Testumgebungen sicherte sich MWA-Phoenix Spitzenplatzierungen. Im Benchmark LIBERO-Plus erreichte das Modell mit einer Gesamterfolgsrate von 94,63 Prozent den ersten Rang, ebenso im Benchmark LIBERO-Pro mit 66,48 Prozent.

Bei RoboCasa GR1 Tabletop lag die durchschnittliche Aufgabenerfolgsrate bei 82,67 Prozent, was einem Zuwachs von 7,50 Prozentpunkten gegenüber dem Vorgänger entspricht.

Zudem verzeichnete das System 45,6 Prozent im Test Bench2Dex sowie 72,42 Prozent im Benchmark RoboTwin 2.0 mit dualer Armkoordination. In der RoboDojo-Realmaschinen-Rangliste wurde das Modell über drei Robotertypen hinweg bei 18 Aufgaben erprobt.

Ergänzende Module adressieren konkrete physische Herausforderungen:
* Phoenix-ILA: Das Modul zur gemeinsamen Kodierung von Bewegung und Taktilität steigerte die Erfolgsquote beim Schälen von Gurken von 20 Prozent auf 40 Prozent und beim Abwischen von Tellern von 75 Prozent auf 90 Prozent.
* Phoenix-PhysCanvas: Als Simulations-Weltmodell für das Post-Training hob das Werkzeug die Erfolgsrate an realen Maschinen bei einer Reagenzglas-Aufgabe von 58,33 Prozent auf 75,00 Prozent an. Bei einer Baustein-Aufgabe verbesserte sich der Wert von 80,00 Prozent auf 86,67 Prozent.

Während die Industrie durch technologische Durchbrüche wie MWA-Phoenix neue Maßstäbe setzt, stellt sich für Unternehmen die Frage nach der rechtlichen Absicherung. Ein kostenloser Download verschafft Ihnen den Überblick über Fristen, Pflichten und Risikoklassen des EU AI Acts, den Ihre Fachabteilungen jetzt brauchen. EU AI Act in 5 Schritten verstehen – jetzt Leitfaden sichern

Relevanz lokaler Basismodelle gegenüber Cloud-Lösungen

Die Veröffentlichung von MWA-Phoenix fällt in eine Phase intensiver Debatten über die Architektur autonomer Systeme. Während große Sprach- und Bildmodelle wie GPT-6 Astra Roboter steuern können, indem sie visuelle Beobachtungen, Körperzustände und Aktionsschnittstellen verarbeiten, weisen Branchenberichte auf anhaltende Beschränkungen hin.

Demnach bleiben Basismodelle auf den physischen Endgeräten unverzichtbar. Reine Cloud-Inferenz sei für Regelungen im Millisekundenbereich oft zu langsam und kostenintensiv. Zudem gelingt es reinen Semantikmodellen bislang nicht, Handlungsanweisungen zuverlässig in die für feinfühlige Manipulationen erforderliche Kraft- und Bewegungskontrolle zu übersetzen.