Warum LJM Muka Robotics mit nur 32 GPUs auf Platz zwei der WorldArena brachte

Muka Robotics’ LJM (Latent Joint-conditional Model) ist nicht deshalb interessant, weil es belegt, dass wenig Rechenleistung grundsätzlich große Trainingsläufe schlägt. Interessant ist vielmehr die Ressourcenaufteilung: Das Modell soll zunächst vorhersagen, welche Folgen eine Roboteraktion in der physischen Umgebung hat, und diese Folgen erst danach als konsistentes Zukunftsvideo darstellen.

Öffentlichen Berichten zufolge reichte Muka das Modell anonym unter dem Namen SisyphusWorld ein. Mit einem EWMScore_P von 73,06 erreichte es auf der öffentlichen WorldArena-Rangliste den zweiten Platz, hinter Xiaomi UNIS mit 73,64. Genannt werden zudem 89,17 Motion Quality, 92,60 3D Accuracy und 85,93 Controllability; trainiert worden sei mit 32 Zhenwu-810E-GPUs. 1 Diese Ergebnisse sind bemerkenswert, die derzeit verfügbaren Belege stammen jedoch vor allem aus Plattform- und Medienberichten. Sie ersetzen keine vollständig öffentlich dokumentierte, unabhängige Reproduktion oder Ablationsstudie.

Erst die Interaktion modellieren, dann das Bild erzeugen

Bei vielen aktionskonditionierten Videodiffusionsmodellen werden Roboteraktionen als niedrigdimensionale Zusatzinformationen in ein Videomodell eingespeist. Dadurch kann sich das generierte Video an der Aktion orientieren. Dennoch muss das Modell aus Pixel- und Videolernzielen weitgehend selbst ableiten, was die Zahlen physisch bedeuten: ob ein Greifer ein Objekt berührt, ob ein Gegenstand tatsächlich aufgenommen wird oder ob räumliche Beziehungen bei einer Bewegung erhalten bleiben.

LJM versucht, diesen Zwischenschritt ausdrücklich zu lernen. Sprachinstruktion, visueller Verlauf, aktuelle Ankerbeobachtung und geplante Folgeaktionen werden zunächst in lernbare Interaktions-Latents überführt. Diese begrenzen anschließend die Generierung des Zukunftsvideos. 1

Die Videogenerierung muss damit nicht allein gleichzeitig Aktionen verstehen, Interaktionen prognostizieren und glaubwürdige Bilder produzieren. Nach der zugrunde liegenden Idee kann sie sich stärker auf visuelle Konsistenz und Details konzentrieren, während eine eigene Repräsentationsebene die Vorhersage von Roboter-Objekt-Interaktionen übernimmt.

Zwei Spezialisten, eine gemeinsame Aufgabe

Die Architektur von LJM besteht aus zwei zusammenarbeitenden Experten:

• Latent Reasoning Expert: Auf Basis von Qwen3-VL-2B verarbeitet dieser Teil Instruktionen, Bildsequenzen, Ankerbeobachtungen und geplante Aktionen. Er erzeugt kontinuierliche Reasoning Tokens. Damit ist keine natürlichsprachliche Gedankenkette gemeint, sondern eine latente Repräsentation möglicher Folgezustände: Wohin sich der Roboter bewegt, wie sich die Szene verändern könnte und welche Bewegung eine Aktion auslöst. 1
• World Modeling Expert: Dieser Teil basiert auf einem Wan2.2-TI2V-5B Diffusion Transformer und generiert in einem VAE-Latentraum Zukunftsvideos. Er setzt die Interaktionsrepräsentation des ersten Experten in fortlaufende Bildfolgen um. 1

Anschaulich lässt sich das als Verbindung von Interaktionsskript und visuellem Rendering verstehen: Der erste Spezialist modelliert die Folgen der Handlung, der zweite macht daraus eine plausible visuelle Zukunft. Das liefert eine nachvollziehbare Architektur-Erklärung dafür, warum sich mit begrenzteren Trainingsressourcen gute Werte bei Bewegung, Raumstruktur und Steuerbarkeit erzielen lassen könnten. Ein endgültiger Kausalnachweis ist das aber nicht.

Drei physische Lernziele sollen die Latents erden

Ein latenter Vektor beschreibt nicht automatisch reale Physik. Deshalb wird der Reasoning-Teil von LJM laut den öffentlichen Beschreibungen mit drei Vorhersageaufgaben an beobachtbare Daten gekoppelt:

1. 3D-Position des Endeffektors – also die räumliche Bahn des Werkzeugs oder Greifers am Roboterarm;
2. visuelle Dynamik von Szenenobjekten – etwa ob sich ein manipuliertes Objekt passend zur Aktion verändert;
3. Richtung des optischen Flusses – also die Richtung der sichtbaren Bewegung im Bild. 1

Der Zweck dieser Ziele: Die latente Repräsentation darf nicht nur Bilder hervorbringen, die auf den ersten Blick plausibel wirken. Sie soll zugleich erklären, wohin der Roboter fährt, welche Objekte sich verändern und in welche Richtung sich Bildinhalte bewegen. Die Berichte beschreiben dies als verzahnte Überwachung von künftigem Roboterzustand, optischem Fluss und visuellen Latents. 1

Das garantiert keine lückenlose physikalische Modellierung in jeder Situation – etwa bei kompliziertem Kontakt, Reibung oder Verdeckungen. Es liefert dem Training aber direktere Interaktionssignale als eine reine Videorekonstruktion.

Warum gemeinsame Aufmerksamkeit mehr ist als ein einmaliger Steuerimpuls

LJM nutzt außerdem eine Form von Shared Attention in einer Mixture-of-Transformers-Architektur. Reasoning Tokens und Video Tokens können dadurch über die Modellschichten hinweg Informationen austauschen. Statt einer einmalig berechneten Konditionierung, die an den Videogenerator übergeben wird, entsteht eine fortlaufende Abstimmung. 1

Die beabsichtigte Arbeitsteilung sieht so aus:

• Die Interaktionsprognose gibt der Bildgenerierung räumliche und Bewegungsbeschränkungen vor.
• Der Kontext aus der Videorepräsentation kann wiederum die Interaktionsdarstellung aktualisieren.

Das könnte insbesondere bei längeren Handlungsabläufen nützlich sein, wenn sich Objektpositionen, Verdeckungen oder Bewegungszustände während der Generierung ändern. Öffentliche Materialien beschreiben diesen Mechanismus, liefern jedoch keine unabhängigen Ablationen, die seinen isolierten Beitrag beziffern würden. 1

Was die Zahl von 32 GPUs aussagt – und was nicht

Berichten zufolge trainierte Muka LJM mit 32 Zhenwu-810E-GPUs, unter anderem für Vortraining auf DROID und anschließendes Training auf RoboTwin. 1 Daraus folgt nicht, dass Video-Weltmodelle nun generell günstig zu trainieren wären.

Die plausible Effizienzthese lautet vielmehr: Durch die Architektur wird der Videogenerator davon entlastet, die Interaktionsstruktur ausschließlich indirekt aus Pixeln zu entdecken. Rechenaufwand fließt gezielter in Repräsentationen mit expliziter Interaktionsbedeutung und in daran gekoppelte, beobachtbare Lernziele.

Allein die Zahl der GPUs erlaubt allerdings keinen fairen Vergleich der gesamten Trainingskosten. Trainingsdauer, Datenmenge, Modellgröße, Auflösung, Parallelisierung und einzelne Trainingsphasen können sich erheblich unterscheiden. Mit den vorliegenden Angaben lässt sich daher nicht seriös berechnen, wie viel Gesamtrechenaufwand LJM gegenüber anderen Systemen tatsächlich eingespart hat.

Gründer und Team: Was sich belegen lässt

Nach öffentlichen Berichten wurde Muka Robotics im April 2026 gegründet und arbeitet an Weltmodellen für Robotik in der realen physischen Umgebung. Als Gründer wird Chi Xiaowei (池晓威) genannt, der an der Hong Kong University of Science and Technology promoviert hat; ein Bericht bezeichnet ihn als gesetzlichen Vertreter und tatsächlichen Kontrolleur des Unternehmens, ein anderer als Mitgründer und CEO. 1838

Zur vollständigen Herkunft des Teams aus bestimmten Unternehmen, Laboren oder Institutionen enthalten die vorliegenden Materialien keine ausreichend belastbaren und einheitlichen Angaben. Belegt ist damit der berichtete HKUST-Hintergrund von Chi Xiaowei – nicht jedoch eine weitergehende Teamgeschichte. 1838

Was das Ergebnis tatsächlich zeigt

Die Ranglistenleistung von SisyphusWorld stützt eine Hypothese, die für Robotik-Weltmodelle relevant ist: Statt nur den Videogenerator zu vergrößern, kann es sinnvoll sein, die Folgen einer Interaktion explizit zu modellieren und eng mit der Videogenerierung zu verknüpfen.

Sie beweist aber weder, dass explizites physisches Reasoning Skalierung generell überlegen ist, noch dass LJM bei allen Robotern, Datensätzen oder realen Einsätzen besser abschneidet. Dafür wären umfassendere technische Veröffentlichungen nötig: insbesondere Ablationen zu den einzelnen physikalischen Lernzielen, zur Shared Attention und zur Aufteilung auf zwei Experten sowie Tests über Datensätze, Robotertypen und reale geschlossene Regelkreise hinweg.

Die derzeit sachlichste Schlussfolgerung lautet: LJM formuliert eine überzeugende technische Arbeitshypothese. Werden Interaktionsfolgen und visuelle Generierung gemeinsam, aber nicht als dieselbe Aufgabe trainiert, könnte sich Rechenaufwand gezielter einsetzen lassen – bei potenziell besserer physischer Konsistenz und guter visueller Qualität. 1