Anthropic-Studie: Roboter könnten 74 Prozent der körperlichen Arbeit in den USA erledigen, rechnen sich aber nur bei 0,3 Prozent

Magic-W0 ist ein als Preprint veröffentlichtes World-Action-Foundation-Model, das strukturierte Weltzustandsübergänge und kontinuierliche Aktionsgenerierung in einem einzigen Modell koppelt. Auf RoboDojo-Sim erreicht es mit einem durchschnittlichen Score von 27,10 den höchsten Wert unter den verglichenen World-Action-Models; nach Fine-Tuning auf realen Roboteraufgaben erzielt es eine durchschnittliche Erfolgsrate von 94,6 Prozent gegenüber 91,8 Prozent für π0.5. Die explizite Modellierung von 3D-Geometrie, 3D-Bewegung und Zukunftssemantik soll Generalisierung und schnelle Anpassung in komplexen Manipulationsaufgaben verbessern.

Magic-W0 organisiert die Umgebungsentwicklung als Current State, Transition, Future State. Current State kombiniert VLM-Kontext mit Current 3D Geometry, Transition nutzt 3D Motion, Future State nutzt Future Semantics. Die Architektur verwendet einen Qwen3.5-2B-VLM-Backbone, einen 3D-Stream, einen semantischen Stream und einen Flow-Matching-Aktionsexperten mit layer-alignierter Joint Attention über 24 Tiefen. Aktionshypothesen konditionieren die Vorhersage zukünftiger Weltübergänge, während vorhergesagte Weltrepräsentationen die Aktionsgenerierung kontinuierlich informieren. Die Repräsentationen werden latent von frozen Track4World- und DINOv3-Lehrern überwacht. Für heterogene Daten wird ein einheitliches 34-dimensionales State-Action-Interface verwendet; vortrainiert wird auf etwa 2,014 Millionen Manipulationsepisoden aus menschlicher Ego-Perspektive, UMI, echten Robotern und Simulation sowie auf etwa 2,61 Millionen Vision-Language-Samples.