Li Autos robot-AI: Slik henger ME-Brain, ME-VLM og ME-U0 sammen

Li Autos team for grunnmodeller presenterte 22. september 2026 tre beslektede satsinger innen AI for roboter: systemet ME-Brain-1.0, syns- og språkmodellen MachEmbodied-VLM (ME-VLM) og forståelses- og genereringsmodellen MachEmbodied-U0 (ME-U0). Sammen skisserer de en vei fra å registrere omgivelsene til å vurdere dem og utføre handlinger. Lanseringene dokumenterer likevel ikke at alle delene er uavhengig testet som én selvstendig robot på lokal maskinvare. 35

Tre deler med ulike oppgaver

ME-Brain-1.0 er systemideen. Li Auto beskriver den gjennom hukommelse, forståelse og handling. Ifølge omtalen kan moduler knyttet til hukommelse kjøres på selskapets M100-systembrikke (SoC), slik at informasjon kan lagres og hentes frem lokalt. Det er en mer avgrenset påstand enn at hele ME-Brain kjører på brikken. 35

ME-VLM skal bidra med syns- og språkforståelse og koordinering. Den tekniske rapporten beskriver trening på robotrelaterte og multimodale agentoppgaver, blant annet med observasjoner og tilbakemeldinger som skal hjelpe modellen å vurdere resultater og justere beslutninger. Modellen er omtalt i en stor 35B-A3B-variant med flere ekspertdeler og en mindre 4B-variant beregnet på lokal kjøring. 15

ME-U0 skal koble forståelse til handling. Den rapporterte Mixture-of-Transformers-arkitekturen knytter deler som tolker oppgaver og omgivelser, til deler som genererer handlinger. Å identifisere hva en robot bør gjøre, er ikke det samme som å få den til å gjøre det pålitelig. De tre lanseringene er derfor best forstått som komplementære deler, ikke som dokumentasjon på én ferdig testet, selvstendig robot. 25

Hva testtallene faktisk sier

I Li Autos egne sammenligningstabeller får den store ME-VLM-modellen ifølge omtalen om lag 70,9 i gjennomsnitt på tester for fysisk forankrede AI-oppgaver og 72,5 på agenttester. Den mindre 4B-varianten kommer på andreplass i selskapets sammenligninger. Uten full innsikt i testbetingelsene og uavhengig gjentakelse er dette ikke generelle mål på hvor pålitelig en robot vil være. 5

For ME-U0 oppgir Li Auto 17,66 poeng i RoboDojo og gjennomsnittlige suksessrater på 99,1 prosent i LIBERO og 81,8 prosent i LIBERO-Plus. LIBERO-resultatene kom etter tilpasning med treningssignaler fra hver enkelt test. De viser derfor ikke hvordan modellen presterer uten slik tilpasning på ukjente fysiske oppgaver. 3

Data og lokal kjøring på M100

Li Auto sier at selskapet valgte ut rundt 4 200 timer data til forhåndstrening av ME-U0 fra råmateriale på cirka 5 700 timer robotdata og 3 920 timer førstepersonsvideo. Kombinasjonen kan gi modellen flere visuelle situasjoner enn robotopptak alene, men timetallene viser ikke i seg selv om den fungerer på en ny robot eller i et nytt miljø. 3

For 4B-utgaven av ME-VLM rapporterer forfatterne komprimering av visuelle token, W4A8-kvantisering og tilpasning mellom programvare og maskinvare på M100. Ifølge dem reduserte dette prefill-tiden fra 400 til 188 millisekunder. Prefill er ett trinn når modellen behandler inndata – ikke tiden fra roboten oppdager en endring til den har utført en fysisk reaksjon. Kildene dokumenterer heller ikke at 35B-A3B-modellen, hele ME-Brain og ME-U0 kjører samlet på én M100-brikke. 15

Demonstrasjoner er ikke uavhengige tester

Omtalen av lanseringen beskriver en times demonstrasjon av gripeoppgaver og en kaffetilberedning på rundt fire minutter med 15 trinn. De viser oppgavene Li Auto valgte å demonstrere, men sier ikke hvor ofte systemet lykkes med objekter og lysforhold valgt av andre, ved avbrudd eller over lang tids bruk. Det tilgjengelige kildematerialet underbygger heller ikke en mer konkret tredjepartskonklusjon om feil i demonstrasjonene. 3

Den avgjørende prøven blir en uavhengig og etterprøvbar test av systemet som helhet: suksessrate og evne til å hente seg inn etter feil i ukjente oppsett, målt sammen med tiden fra registrering til handling på den oppgitte maskinvaren. Inntil da er testresultatene og M100-målingen lovende, men separate funn – ikke en samlet dom over hvor allsidige robotene er. 135