Hoe de drie onderdelen van Li Auto’s MachEmbodied-aanpak samenhangen

Een robot moet meer kunnen dan herkennen wat er op tafel ligt. Hij moet een opdracht begrijpen, een handeling kiezen en reageren als die anders uitpakt dan verwacht. Met drie op 22 september 2026 gepresenteerde AI-onderdelen schetst het Foundation Model-team van Li Auto hoe zo’n proces eruit zou kunnen zien. De presentaties bewijzen nog niet dat de volledige combinatie als één onafhankelijk geteste robot op lokale hardware draait. 35

Van waarnemen naar handelen

ME-Brain-1.0 is het overkoepelende systeemconcept. Li Auto beschrijft het aan de hand van geheugen, cognitie en actie. Volgens berichtgeving kunnen geheugenmodules op de eigen M100-chip informatie lokaal vastleggen en terughalen. Dat is niet hetzelfde als de claim dat heel ME-Brain op die chip draait. 35

MachEmbodied-VLM (ME-VLM) is een beeld-taalmodel voor het interpreteren van visuele informatie en het coördineren van taken. Het technische rapport beschrijft training met onder meer waarnemingen tijdens de uitvoering en feedback over de uitkomst, bedoeld om beslissingen te helpen beoordelen en bijstellen. Er is een gerapporteerde mixture-of-experts-variant van 35B-A3B en een kleinere 4B-variant voor gebruik op lokale hardware. 15

MachEmbodied-U0 (ME-U0) moet de brug slaan van begrip naar het genereren van handelingen. De beschreven Mixture-of-Transformers-opzet verbindt onderdelen die een taak en scène interpreteren met onderdelen die acties genereren. Dat onderscheid is belangrijk: weten wat er moet gebeuren, betekent nog niet dat een robot het betrouwbaar kan uitvoeren. De drie releases worden als aanvullend gepresenteerd; de beschikbare bronnen tonen niet aan dat ze samen als één autonoom systeem zijn gevalideerd. 25

Wat zeggen de testcijfers?

In Li Auto’s eigen vergelijkingen haalt de grote ME-VLM volgens berichtgeving gemiddeld ongeveer 70,9 op testreeksen voor belichaamde AI — AI die in een fysieke omgeving moet handelen — en 72,5 op agenttests. De 4B-versie staat in die bedrijfsvergelijkingen op de tweede plaats. Zonder volledige testomstandigheden en onafhankelijke herhaling zijn die scores geen algemene maat voor de betrouwbaarheid van een robot. 5

Voor ME-U0 meldt Li Auto 17,66 punten op RoboDojo en gemiddelde succespercentages van 99,1% op LIBERO en 81,8% op LIBERO-Plus, twee testreeksen voor robotmanipulatie. Voor de LIBERO-resultaten werd het model aangepast met trainingssignalen die de betreffende testreeksen zelf beschikbaar stellen. Het gaat dus niet om een meting waarbij het model zonder zulke aanpassing onbekende fysieke taken uitvoert. 3

Veel trainingsdata, snellere verwerking — maar welk deel?

Volgens Li Auto zijn voor de voortraining van ME-U0 ongeveer 4.200 uur gegevens geselecteerd uit verzamelingen met circa 5.700 uur robotdata en 3.920 uur video vanuit het perspectief van een persoon. Zulke video kan meer visuele situaties laten zien dan robotdemonstraties alleen. De aantallen laten op zichzelf niet zien hoe goed het model zich aanpast aan een andere robot of omgeving. 3

Voor de 4B-versie van ME-VLM beschrijven de onderzoekers compressie van visuele tokens, W4A8-kwantisatie en gezamenlijke optimalisatie van hard- en software voor Li Auto’s M100-chip. Daarmee daalde volgens hen de prefill-latentie van 400 naar 188 milliseconden. Prefill is één fase van de modelverwerking, niet de tijd tussen een verandering in beeld en een voltooide robotreactie. De aangehaalde bronnen tonen evenmin aan dat de grotere ME-VLM-versie of de volledige combinatie met ME-Brain en ME-U0 op één M100 draait. 15

Wat een demo nog niet laat zien

Rond de presentatie werden een ongeveer uur durende demonstratie met grijpbewegingen en een koffiebereiding van circa vier minuten met 15 stappen beschreven. Ze laten zien welke taken Li Auto koos om te tonen, maar geven geen onafhankelijk gemeten slagingskans bij andere voorwerpen, verlichting, onderbrekingen of langdurig gebruik. Het beschikbare bronmateriaal onderbouwt ook geen specifiek oordeel van een externe partij over fouten in die demonstraties. 3

De doorslaggevende volgende stap is daarom een onafhankelijk opgezette, herhaalbare test van het geïntegreerde systeem: kan het onbekende taken uitvoeren en van fouten herstellen, en hoe lang duurt de volledige keten van waarneming tot actie op de opgegeven hardware? Tot die tijd zijn de benchmarks en de M100-meting afzonderlijke aanwijzingen voor potentieel, geen eindcijfer voor breed inzetbare robotica. 135