XPeng hat gemeinsam mit mehreren Universitäten GroundingPI vorgestellt, ein Open-Source-Modell für visuelle Wahrnehmung in der physischen KI. Das Modell mit vier Milliarden Parametern erreicht über 34 Wahrnehmungs-Benchmarks 73,68 Punkte und liegt damit vor GPT-6 Astra mit 71,54. Gewichte, Code und Fachbeitrag sind öffentlich.
GroundingPI stammt von Forschern, die XPeng, der Peking-Universität, der University of Hong Kong und weiteren Einrichtungen zugerechnet werden. Das Modell hat vier Milliarden Parameter und ist auf visuelles Grounding spezialisiert: Es verbindet beschriebene Objekte mit ihrer Position im Bild und gibt diese Position als Punkt oder Rahmen in Koordinaten aus. Trainiert wurde es ohne Aktionslabels aus der Robotik, also getrennt von der Steuerung physischer Bewegungen.
In der Auswertung über 34 Benchmarks aus elf Wahrnehmungskategorien erreicht GroundingPI einen Gesamtwert von 73,68 Punkten, GPT-6 Astra kommt auf 71,54. Verglichen wurden 44 Modelle. Die Forscher gewichten die elf Kategorien gleich, statt alle Einzelergebnisse zu mitteln. Bei dicht gepackten Objekten fällt der Abstand deutlich aus: Im Benchmark Dense200 steht 74,53 gegen 65,04. In anderen Kategorien liegt Astra vorn, etwa bei der Erkennung von Bedienelementen in Computeroberflächen (ScreenSpot-Pro: 93,17 gegen 65,78). Die Werte beziehen sich auf visuelle Wahrnehmung und belegen keine allgemeine Überlegenheit bei Reasoning oder anderen Aufgaben.
Der zweite Teil der Arbeit betrifft Robotertraining. In Simulationen mit RoboCasa-GR1 erreichte GroundingPI eine Erfolgsquote von 28,75 Prozent, wobei die Hälfte der verfügbaren Demonstrationen genutzt wurde; das stärkste Vergleichsmodell RynnBrain kam mit 75 Prozent der Demonstrationen auf 27,75 Prozent. Auf RoboTwin 2.0 lag GroundingPI bei 66,20 Prozent mit dem vollen Datensatz. In Tests mit veränderten Umgebungen führte es alle vier Kategorien an, im RoboTwin-2.0-Test mit geänderten Bedingungen mit 17,60 gegenüber 14,10 Prozent des nächstbesten Modells. In der Trajektorienvorhersage auf dem nuScenes-Datensatz liegt der mittlere Fehler bei 0,296 Metern, gegenüber 0,301 Metern bei Qwen3-VL-4B und 0,308 Metern bei RynnBrain.
Die Grenzen benennen die Autoren selbst. Alle Ergebnisse stammen aus Simulationen und Offline-Auswertungen; ob sie sich in Fabriken, Lagern oder auf Baustellen wiederholen, ist offen. Das Modell tut sich weiterhin schwer mit sehr kleinen Objekten, exakten Objektgrenzen, einigen Textformen und Computeroberflächen. Die Vergleichsmodelle unterscheiden sich in Architektur, Größe und Vortraining. Die Arbeit liegt als arXiv-Preprint vor, Gewichte und Code sind veröffentlicht. Eine Integration in Serienfahrzeuge oder Humanoide hat XPeng nicht angekündigt.
Für Handwerksbetriebe und KMU ist Bilderkennung dort relevant, wo Fotos heute von Hand sortiert, benannt oder geprüft werden: Schadensdokumentation, Prüfprotokolle, Sortieraufgaben. Offene Gewichte bedeuten dabei, dass Lizenz, Hardware und Fehlerbilder im eigenen Betrieb verantwortet werden. Ein Wahrnehmungsmodell liefert Koordinaten und Wahrscheinlichkeiten, keine Entscheidung; die Prüfung der Treffer bleibt eine eigene Aufgabe. Sinnvoll ist die Reihenfolge Prozess zuerst, Modell danach.
Autor: Team REN-AI-SSANCE – mit KI-Unterstützung erstellt, von Menschen geprüft und freigegeben.
Quelle: The AI Insider – Originalartikel vom 04.11.2026; Abruf/Archivstand: 05.11.2026
