Moore Threads MTT S5000: Vielversprechende Robotik-Tests, aber kein Gesamtsieg im GPU-Vergleich

Moore Threads veröffentlichte im September 2026 Ergebnisse zur MTT S5000 für das Training von Robotik-KI und für einen Test an einem physischen Roboter. Die Zahlen beschreiben unterschiedliche Versuche. Zusammengenommen ergeben sie keinen einheitlichen Benchmark gegen andere GPUs. 4

Ähnliche Trainingskurven sind nicht gleiches Tempo

Für einen WoVR-Workload im Reinforcement-Learning-Framework RLinf liefen 248 Umgebungen parallel. Bei gleicher Trainingskonfiguration und gleichem Zufallsstartwert erreichten die schrittweisen Trainingskurven der S5000 und einer als international gängig beschriebenen GPU eine Korrelation von r = 0,976. Auch die Erfolgsraten der trainierten Strategien sollen bei einer LIBERO-Spatial-Evaluierung übereingestimmt haben. Das spricht für einen ähnlichen Verlauf in diesem Versuch – nicht dafür, dass beide Systeme gleich schnell trainierten. 410

Für Teams, die Ergebnisse reproduzieren wollen, ist zudem die Software-Anbindung relevant: RLinf unterstützt laut den Berichten das MUSA-Backend. Seit Version 0.3 sollen automatisierte Prüfungen auf der MTT S5000 Teil der offiziellen Continuous Integration (CI) sein, bevor Code in den Hauptentwicklungszweig übernommen wird. 4

Woher kommen die kürzeren Rechenschritte?

Moore Threads nennt drei Änderungen an der eigenen Verarbeitungskette: Die Bildverarbeitung wanderte vom Host-Rechner auf die GPU, numerische Prüfungen in der Entrauschungsschleife wurden zusammengelegt und Python-Skalare in einem häufig ausgeführten Codepfad durch Tensoren auf dem Gerät ersetzt. In der gemessenen Konfiguration sank die Zeit pro Schritt von 2,549 auf 1,888 Sekunden, also um rund 26 %. Der gemeldete GPU-Leerlauf fiel von 18,5 % auf 3,1 %. Das ist ein Vorher-nachher-Vergleich derselben Verarbeitungskette, kein Vergleich der Schrittzeit mit einer konkurrierenden GPU. 4

Separat beansprucht das Unternehmen bei Tests einzelner Rechenoperationen für GEMM und Attention eine 1,6- bis 2-fache Leistung gegenüber international gängigen GPUs. Daraus lässt sich weder die Geschwindigkeit eines vollständigen Trainingslaufs noch die einer Robotikanwendung ableiten. 4

Was bedeutet der Robotertest für Käufer?

Bei einer konkreten Montageaufgabe mit zwei Roboterarmen und einer auf π0.5 basierenden Weiterentwicklung der Steuerungsstrategie stieg die gemeldete Erfolgsquote von etwa 20 % auf 92 %. Feinmotorische Schritte dauerten demnach 39,5 % kürzer. Diese Werte gelten für die getestete Aufgabe; sie sind keine allgemeine Erfolgsquote der S5000 in der Robotik. 4

In der Entwicklung verkörperter KI – also von KI für Systeme, die in einer physischen Umgebung handeln – müssen Teams Modelle trainieren, Bilder rendern, physikalische Abläufe simulieren und die resultierenden Strategien prüfen. Moore Threads beschreibt Angebote für mehrere dieser Arbeitsschritte. Die veröffentlichten Einzelwerte belegen aber nicht unabhängig, wie leistungsfähig der gesamte Entwicklungsablauf ist. Interessierte Teams sollten deshalb reproduzierbare Testkonfigurationen, wiederholte Versuche am realen Roboter und Ende-zu-Ende-Messungen für ihre eigenen Aufgaben verlangen. 411