Chuguang Leap sammelt „mehrere hundert Millionen Yuan“ im Seed ein, mit Xiaomi und Baidu Ventures

Shanghai Chuguang Leap Intelligent Technology hat nach eigenen Angaben eine Seed-Runde über „mehrere hundert Millionen Yuan“ abgeschlossen; zu den Geldgebern zählen Chentao Capital, der strategische Xiaomi-Investmentarm, Baidu Ventures und Xinhe Capital. Keiner der Investoren wird als Lead genannt, die genaue Summe wurde nicht veröffentlicht. Eine Änderung im Handelsregister am 12. Oktober brachte Xiaomis Hanxing Venture Investment und Sanya Baichuan Zhixin, einen Fonds mit Baidu-Verbindung, als Gesellschafter hinzu und erhöhte das eingetragene Kapital von 500.000 auf 600.000 Yuan.

Die Seed-Runde bepreist eine Methode und ein Team, und das Benchmark-Ergebnis, das dem Unternehmen seine erste Schlagzeile verschaffte, hielt nicht. Sein Modell Simate-beta, ein VLA-System, stand am 23. September mit einem Durchschnittswert von 33,95 und einer Erfolgsquote von 27,96 % an der Spitze des RoboDojo-Rankings, vor GPT-6-Astra. In der Momentaufnahme desselben Rankings vom 9. Oktober führte VPP2 von Robotera, ein World-Action-Model, mit 39,26 und 32,26 %; auch PhysicalRSI (36,27 und 31,38 %) und Awomo-0.5 (35,34 und 29,64 %) lagen vor Simate-beta, das damit höchstens Vierter war. Sein Durchlauf auf Platz eins endete spätestens am 9. Oktober.

Rekursive Selbstverbesserung ist das erklärte Ziel

Was das Unternehmen anpreist, ist „Physical RSI“, kurz für recursive self-improvement of physical intelligence, also die rekursive Selbstverbesserung physischer Intelligenz. Sein AutoResearch-System läuft in einer Schleife, die Hypothesen vorschlägt, Experimente plant und sie dann automatisch ausführt, validiert und analysiert, während menschliche Forscher Richtung und Grenzen vorgeben, so das Unternehmen. Forscher von MIT, Tsinghua, der Peking-Universität und HKUST haben sich nach Unternehmensangaben den internen Tests der Plattform angeschlossen.

Der End-to-End-Stack des Fahrens, auf Roboterarme übertragen

Gründer Zhang Ying war ein zentraler technischer Leiter von Horizon Robotics' Fahrassistenzsystem HSD, wo er drei Generationen von End-to-End-Fahrsystemen führte: auf HD-Karte basierend, kartenlos und einstufig End-to-End mit reiner Vision. 2026 verließ er Horizon. Seine These: Die im autonomen Fahren bewährte End-to-End-Methode „Wahrnehmung–Schlussfolgerung–Ausführung“ lasse sich auf Manipulation in unstrukturierten Umgebungen übertragen, was das junge Unternehmen im Feld der Embodied AI verortet. Zum Team gehören Zhan Fangneng, Assistant Professor an der HKUST und Leiter des World Mind Lab, sowie Jimazeyu, Absolvent der UC San Diego und Schüler von Xiaolong Wang, der Gründungsmitglied von ARI war.

Die Gegenlesart: Ein Benchmark-Rang ist in dieser Phase ein schwacher Indikator, und ein Seed-Scheck für einen ehemaligen End-to-End-Leiter von Horizon kauft Engineering im Maßstab des Fahrens statt einer dauerhaften RoboDojo-Position.

Mehrere Werte liegen bereits über den 33,95 von Simate-beta: die 39,26 von VPP2, die 36,27 von PhysicalRSI und die 35,34 von Awomo-0.5 in der Momentaufnahme vom 9. Oktober, dazu die 44,48, die Einsia AIs EmbodiedEvo-Papier vom 13. Oktober auf RoboDojo-Sim selbst als höher als alle offiziell verifizierten Ergebnisse meldet. Die nächste RoboDojo-Momentaufnahme ist der erste Kontrollpunkt, an dem Chuguang Leap zeigen kann, dass seine eigene Forschungsschleife diese Zahl bewegt, und nicht ein einzelnes handgebautes Modell.