Xingyuans Chorus-Daten-Engine wurde am 27. Oktober 2026 vorgestellt: Xingyuan Intelligence hat Chorus auf den Markt gebracht, eine embodimentübergreifende Daten-Engine für das Pretraining von Robotern, die menschliche Arbeitsvideos, die etwa von Datenbrillen und Handgelenkkameras aufgenommen wurden, in Trainingsdaten verwandeln soll, die verschiedene Roboter nutzen können. Das im Juni 2026 gegründete Unternehmen hat sich entschieden, keine Roboterkörper zu bauen. Seine Wette ist eine andere: Robotern fehlen keine Demonstrationen, sondern Trainingsdaten, die sich in großem Maßstab wiederverwenden lassen.
Die Chorus-Pipeline besteht aus fünf Schritten: Zuerst werden atomare Aktionen im Video erkannt, dann semantische Annotationen hinzugefügt, anschließend Bewegungen dreidimensional rekonstruiert, danach Bewegungstrajektorien optimiert und schließlich auf die Körperstruktur des Zielroboters abgebildet. Menschliche Videos lassen sich nicht direkt verwenden. Verdeckungen durch Hände, wechselnde Blickwinkel und unvollständige Trajektorien sind häufig, und Körperbau und Bewegungsweise unterscheiden sich von denen der Roboter, sodass die meisten unverarbeiteten Daten bei der Qualitätsprüfung aussortiert würden. Xingyuans Ansatz ist es, dieselbe menschliche Erfahrung durch diese Pipeline zu schicken und sie dann an 16 Roboterembodiments anzupassen, statt für jeden Roboter eigene Daten zu sammeln.
Die 40-fache Erweiterung ist eine Zahl aus der Testkonfiguration; der Praxistest steht noch aus
In der von Xingyuan veröffentlichten Testkonfiguration erreicht Chorus eine effektive Konversionsrate von etwa 85 Prozent. Aus einer Stunde vorab ausgewählter menschlicher Videos lassen sich etwa 13,6 Stunden embodimentübergreifender Bewegungstrajektorien erzeugen, und in Kombination mit einer dreifachen Anweisungsvervielfältigung ergibt das eine etwa 40-fache effektive Erweiterung der Trainingsdaten, wobei die äquivalenten Kosten pro Stunde auf etwa 5 Yuan sinken. Diese Zahlen stammen aus den eigenen Testbedingungen des Unternehmens, nicht aus unabhängigen Messungen Dritter an einer realen Produktionslinie, und ob Datenskalierung und Modellfähigkeit gemeinsam wachsen, muss noch in der Praxis überprüft werden. Xingyuan betont auch die Zusammenarbeit von Mensch und Maschine auf der Einsatzseite: Wenn ein Roboter in einer echten Fabrik auf eine Situation trifft, die seine Trainingsdaten nicht abdecken, kann ein gewöhnlicher Arbeiter innerhalb von 2 bis 3 Sekunden übernehmen und korrigieren, und das Feedback fließt zurück ins Trainingssystem, wobei sich das Betreuungsverhältnis mit steigender Erfolgsquote des Modells von einem Arbeiter pro Roboter hin zu einem Arbeiter für drei Roboter entwickelt. Für Fabrikkunden ist der Maßstab für eine solche Engine nicht, wie reibungslos die Demo aussieht, sondern ob sie in Out-of-Distribution-Situationen sicher anhalten, übernommen werden und weiterlernen kann.
