LoopWAM gewinnt 19.7 Punkte an realen Robotern, indem es auf seinen eigenen gelabelten Rollouts nachtrainiert

LoopWAM ist ein geschlossenes World-Action-Modell der Tsinghua-Universität, von Dexmal und Loopeva, mit 14 Autoren und Xiuwei Xu, Meng Zhang und Jiwen Lu als korrespondierenden Autoren. Das Team hat es am 13. Oktober 2026 auf arXiv veröffentlicht und am 15. Oktober überarbeitet, der Code liegt auf GitHub. Für die 50 bimanuellen Aufgaben von RoboTwin 2.0 meldet es 94.5 % durchschnittlichen Erfolg ohne zusätzliches Embodied-Pretraining, vor LingBot-VA 2.0 mit 93.6 % und π0.5 mit 79.8 % in derselben Tabelle.

Rollouts gemischter Qualität, Fehlschläge eingeschlossen, zahlen sich erst aus, wenn sie gelabelt sind, und grobe Etiketten genügen: dieselben RoboTwin-Daten erreichen 72.3 % ohne Qualitätssteuerung und 92.8 % mit dreistufigen Etiketten, und qualitätsgewichtete Aktions-Supervision auf den Rollouts hebt das auf 93.6 %. Die Krone am realen Roboter ist vergleichsweise dünn, 2.67 Punkte vor Dexmals eigenem DM0.5 auf einem Benchmark, an dessen Start Dexmal beteiligt war, und 0.33 Punkte gegenüber den 43.0 %, die Dexmal für DM0.5 veröffentlicht. Sie entsteht erst nach drei Deployment-Runden, aus einem Modell, das 17 Punkte zurücklag.

Fehlgeschlagene Läufe trainieren das Weltmodell, nicht den Arm

Jede Trajektorie im Trainingssatz bekommt einen numerischen Qualitätswert, der an ihren Instruktionstext angehängt wird, geschrieben als „Quality: q“, und beim Deployment wird das Modell auf den Expertenwert konditioniert, um es in Richtung Expertenverhalten zu steuern. Die Videovorhersage wird auf allen Trajektorien überwacht, Fehlschläge eingeschlossen. Action-Imitation Learning wird nach Qualität gewichtet: Experten-Trajektorien bekommen volle Aktions-Supervision, fehlgeschlagene keine, ihre Aktionen werden also nie kopiert, während sie das Weltmodell weiter darauf trainieren, vorherzusagen, was nach einer Aktion passiert. Die Autoren entrauschen Video- und Aktions-Tokens in einem parallelen Prozess, sodass vorhergesagte Folgen direkt in die Aktionserzeugung einfließen, und ein Schritt namens „source-dependent noise sampling“ lässt aufgezeichnete Rollout-Aktionen die Vorhersage ihrer beobachteten Folgen leiten.

Die Ablation zeigt, wie grob die Etiketten sein dürfen. Ohne Qualitätssteuerung liegt der RoboTwin-Durchschnitt bei 72.3 %. Sehr grobe Marker, bei denen jeder fehlgeschlagene Rollout niedrig, jeder Erfolg mittel und jeder Experte hoch ist, erreichen 92.8 % ohne Rollout-Aktions-Supervision und 93.6 % mit. Ein numerischer Wert pro Policy-Checkpoint, mit Fehlschlägen am Minimum, erreicht 92.7 % ohne und 94.5 % mit, die vollständige Methode. Die Autoren berichten, dass das grobe Schema eine einzige menschliche Annotation pro Checkpoint braucht, und schließen, dass feinkörnige Annotation nicht nötig ist, um von der Steuerung zu profitieren, die sie die entscheidende Zutat nennen.

Drei Rollout-Runden bringen 19.7 Punkte, der größte Sprung ist die zweite Runde

Die Hardware-Stufe ist die Table30-V2 von RoboChallenge, ein Benchmark für reale Roboter mit 30 Tabletop-Manipulationsaufgaben über vier Embodiments, ALOHA, DOS-W1, ARX5 und UR5, dessen technischer Bericht vom RoboChallenge Dexmal Team stammt. Die Autoren trainierten ein Multi-Task-LoopWAM pro Embodiment auf Experten-Demonstrationen und fuhren dann drei Deployment-Runden. Jede Runde sammelte rund 100 Rollout-Trajektorien pro Aufgabe, annotierte sie nach Qualität und trainierte auf den Experten-Daten plus jedem früheren Rollout neu.

Der Gesamterfolg stieg von 23.67 % über 28.00 % und 37.67 % auf 43.33 %, ein Zuwachs von 19.7 Prozentpunkten, während der Gesamtscore von 36.10 über 42.63 und 51.65 auf 56.80 stieg. Die Rundenzuwächse beim Erfolg lagen bei 4.33, 9.67 und 5.66 Punkten, die zweite Runde trug also am meisten. Nach dem eigenen Vorgehen der Autoren sind 100 Rollouts pro Aufgabe über 30 Aufgaben rund 3,000 Trajektorien pro Runde, oder etwa 9,000 über die drei Runden.

Der Vorsprung auf Table30-V2 beträgt 2.67 Punkte, nach Dexmals eigener Zählung 0.33

LoopWAM belegt sowohl bei Erfolg als auch beim Score Platz eins unter den Leaderboard-Einträgen, die das Paper vergleicht, mit dem Zweitplatzierten VLA-DM0.5 bei 40.67 % Erfolg und 54.42 Score, ein Vorsprung von 2.67 Erfolgspunkten zum Stand vom 22. September 2026. Dexmals eigene Seite zu DM0.5, einem VLA mit einem Gemma3-4B-Vision-Language-Backbone und einem 680M-Aktionsexperten, meldet 43.0 % Erfolg und denselben Score von 54.42, und gegen diese veröffentlichte Zahl schrumpft der Vorsprung von LoopWAM auf 0.33 Punkte.

Nach Embodiment teilt sich das Ergebnis. LoopWAM liegt vorn auf ALOHA, 26.00 % zu 18.00 %, und auf UR5, 76.67 % zu 70.00 %, und gleichauf mit DM0.5 auf DOS-W1 bei 42.00 %. Auf ARX5 verliert es, 55.71 % zu 58.57 %.

Das stärkste Argument gegen das Ranking ist die Startlinie. Vor jeder Deployment-Runde stand das auf Experten trainierte LoopWAM bei 23.67 %, 17 Punkte hinter DM0.5 mit 40.67 %, und es brauchte alle drei Runden, um vorbeizuziehen. Dexmal, im März 2025 gegründet und in Peking ansässig, brachte RoboChallenge mit auf den Weg, und DOS-W1 ist seine eigene Open-Source-Hardware.

Dasselbe Rezept nimmt Rollouts von anderen eingesetzten Policies an, selbst von schwach abschneidenden, sodass eine generalistische Policy aus den Fehlern einer anderen lernen kann. Auf RoboTwin 2.0 trainierte es auf 22,500 Rollout-Trajektorien von sich selbst, X-VLA und π0.5 über 50 Aufgaben und drei Policies; auf RoboCasa365 nutzte es Rollouts von sich selbst und RLDX-1.

Physical Intelligences Ansatz ist der nächstliegende Referenzpunkt. Die Autoren schreiben, π0.6 nutze Advantage-Conditioned Learning, um autonome Erfahrung und Eingriffe einzubeziehen, und π0.7 nutze Qualitäts-, Geschwindigkeits- und Fehlermetadaten, um Daten gemischter Qualität aufzunehmen, und sie argumentieren, diese Methoden hätten kein explizites Ziel für die physische Dynamik in Action-Video-Übergängen; ein fehlgeschlagener Rollout liefere dort also ein Verhaltensziel, ohne dem Modell die Folgen dieses Verhaltens beizubringen. Pis API-Beta, am selben Tag wie das Preprint angekündigt, beschreibt eine Schleife aus Demonstrationen sammeln, ein Modell trainieren, es am Roboter testen und aus den Fehlern entscheiden, welche Daten als Nächstes gesammelt werden.

Zero-Shot-Transfer ist die schwächste Stelle des Papers. Auf den 16 Composite-Unseen-Aufgaben von RoboCasa365, für die Zero-Shot-Evaluierung zurückgehalten, erreichte LoopWAM 14.9 %, unter PRTS mit 18.8 % in derselben Tabelle, obwohl es den Benchmark insgesamt mit 49.5 % gegen ABot-M0.6 mit 46.6 % weiter anführte. Wenn diese 14.9 % auf zurückgehaltenen simulierten Aufgaben auf neue Küchen übertragen werden, ist der Vorteil des Weltmodells an Aufbauten gebunden, die es bereits gesehen hat.

Das Hemdenfalten ist die eine Aufgabe, die die Schleife von Anfang bis Ende zeigt. Auf DOS-W1 faltete die Policy nach Single-Task-Post-Training Hemden mit 13.20 % Erfolg, und zwei Deployment-Runden hoben das auf 32.54 % und dann 55.56 %, der Score ging von 14.44 über 38.89 auf 67.78. Das ist mehr als das Vierfache der Anfangs-Erfolgsrate bei einer Aufgabe mit verformbaren Objekten, die mehrere Schritte erfordert.