[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-xiaomi-robotics-1-daten-schlagen-modellgroesse":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"xiaomi-robotics-1-daten-schlagen-modellgroesse","Xiaomi-Robotics-1: Warum mehr Daten wichtiger sind als größere Modelle","Xiaomi hat ein KI-Modell für Roboter trainiert, das zeigt: Datenmenge schlägt Rechenleistung. Mit über 100.000 Stunden Bewegungsdaten stieg die Erfolgsquote von 25 auf 75 Prozent – und es geht noch weiter.","2026-07-21","11:25","2026-07-21T11:25:00+02:00","","21. Juli 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Robotik-KI","Machine Learning","Datentraining","Xiaomi","Automatisierung","\u002Fstand-der-ki","KI-Fortschritt","Erfolgsquote von 25 % auf 75 % gestiegen","\u002Fnewsroom\u002Fimg\u002Fxiaomi-robotics-1-daten-schlagen-modellgroesse.webp","\u002Fog-nr\u002Fxiaomi-robotics-1-daten-schlagen-modellgroesse.de.png",3,532,"\u003Cp>Xiaomi hat einen Durchbruch in der Robotik-KI erzielt, der die bisherige Annahme über Modelltraining infrage stellt. Das Unternehmen trainierte sein \u003Cstrong>Xiaomi-Robotics-1\u003C\u002Fstrong>-Modell auf über \u003Cstrong>100.000 Stunden Bewegungsdaten\u003C\u002Fstrong> und stellte fest: Mehr Trainingsdaten verbessern die Performance deutlich stärker als größere Modelle mit mehr Rechenleistung. Die Erfolgsquote bei unbekannten Aufgaben stieg dabei von etwa 25 auf 75 Prozent – und die Forscher berichten, dass dieser Trend noch nicht abgeflacht ist.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>100.000+ Stunden\u003C\u002Fstrong> Bewegungsdaten aus über \u003Cstrong>1.700 verschiedenen Umgebungen\u003C\u002Fstrong> gesammelt\u003C\u002Fli>\n\u003Cli>Datenmenge verbessert Performance \u003Cstrong>deutlich mehr\u003C\u002Fstrong> als Modellgröße\u003C\u002Fli>\n\u003Cli>Erfolgsquote bei unbekannten Aufgaben: von \u003Cstrong>25 % auf 75 %\u003C\u002Fstrong> gestiegen\u003C\u002Fli>\n\u003Cli>Handheld-Greifer mit Kameras statt teurer Roboter für Datensammlung genutzt\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Das Datenproblem der Robotik\u003C\u002Fh2>\n\u003Cp>Roboter-KI steht vor einem fundamentalen Problem, das Sprachmodelle nicht haben: Während LLMs auf riesige Teile des öffentlichen Internets zugreifen können, ist brauchbares Trainingsdaten für Roboterbewegungen extrem knapp. Normalerweise müssen Menschen jeden Roboter manuell durch jede Bewegung führen – ein langsamer, teurer Prozess, der zudem repetitive Daten aus denselben Aufgaben in denselben Umgebungen erzeugt.\u003C\u002Fp>\n\u003Cp>Xiaomi löste dieses Problem kreativ: Statt echte Roboter einzusetzen, nutzte das Team tragbare \u003Cstrong>Handheld-Greifer mit angebrachten Kameras\u003C\u002Fstrong>, die Menschen einfach in die Hand nehmen und bedienen. Damit konnten die Forscher Manipulationsaufgaben in Küchen, Büros, Läden, Fabrikhallen und Außenbereichen aufzeichnen – ohne dass ein Roboter überhaupt vor Ort sein musste. Das Ergebnis: über 100.000 Stunden Bewegungsaufzeichnungen.\u003C\u002Fp>\n\u003Ch2>Automatische Beschriftung als Skalierungslösung\u003C\u002Fh2>\n\u003Cp>Eine Datenmenge dieser Größe schuf ein neues Problem: Jede Aufzeichnung braucht eine Textbeschreibung, damit das Modell lernen kann. Manuelle Beschriftung war unrealistisch. Xiaomi setzte deshalb ein anderes KI-Modell ein, um jeden Bewegungsabschnitt automatisch zu beschreiben. Das Team beschriftete den kompletten Datensatz in etwa \u003Cstrong>zwei Wochen\u003C\u002Fstrong>.\u003C\u002Fp>\n\u003Cp>Danach transferierte Xiaomi das Training auf echte Roboter – Modelle mit Rädern und Dual-Arm-Systeme. Um die Unterschiede zwischen Handheld-Greifer und Roboterarm auszugleichen, kombinierte das Team eigene Aufzeichnungen aus echten Wohnungen mit Open-Source-Robotik-Datensätzen und beschrifteten Handheld-Daten.\u003C\u002Fp>\n\u003Ch2>Daten schlagen Rechenleistung\u003C\u002Fh2>\n\u003Cp>Die Tests waren eindeutig: Ein größeres Modell verbesserte zwar die Performance, aber \u003Cstrong>mehr Trainingsdaten brachten deutlich größere Gewinne als mehr Rechenleistung\u003C\u002Fstrong>. Die Forscher schlussfolgern, dass der Fortschritt in der Robotik-KI hauptsächlich davon abhängt, größere und vielfältigere Datensätze zu sammeln.\u003C\u002Fp>\n\u003Cp>Dieses Muster unterscheidet sich von der klassischen Regel für Sprachmodelle, wonach Modellgröße und Datenmenge ungefähr gleich schnell wachsen sollten. Bei visuellen Daten – und offenbar auch bei Roboterbewegungen – hilft zusätzliche Daten deutlich mehr als zusätzliche Rechenleistung.\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Metrik\u003C\u002Fth>\n\u003Cth>Ergebnis\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Erfolgsquote (vorher)\u003C\u002Ftd>\n\u003Ctd>~25 %\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Erfolgsquote (nachher)\u003C\u002Ftd>\n\u003Ctd>~75 %\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Trainingsdaten\u003C\u002Ftd>\n\u003Ctd>100.000+ Stunden\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Umgebungen\u003C\u002Ftd>\n\u003Ctd>1.700+\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Labeling-Zeit\u003C\u002Ftd>\n\u003Ctd>~2 Wochen\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>Dieser Befund hat Gewicht für Robotik- und Automatisierungsfirmen im deutschsprachigen Raum. Die klassische Annahme, dass man teurere, größere KI-Modelle braucht, wird hier infrage gestellt – stattdessen könnte der Fokus auf \u003Cstrong>Datenbeschaffung und -vielfalt\u003C\u002Fstrong> liegen. Für Unternehmen, die Roboter trainieren, könnte das bedeuten: Investitionen in Datensammlung (etwa durch Handheld-Systeme) könnten effizienter sein als der Kauf von mehr Rechenleistung. Gleichzeitig bleibt offen, wie diese Erkenntnisse auf spezialisierte, hochkomplexe Robotik-Aufgaben übertragen lassen – und ob die 75-Prozent-Erfolgsquote für produktive Szenarien ausreicht.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.com\u002Fxiaomi-robotics-1-shows-that-more-data-beats-bigger-models-when-training-robots-to-move\u002F\">The Decoder\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1784638331749]