XPeng Motors hat am 22. Oktober bekannt gegeben, dass das VLA-Großmodell der zweiten Generation aktualisiert und direkt auf dem Gerät (On-Device) des humanoiden Roboters IRON eingesetzt wird. Nach dem Update führt IRON alle 0,2 Sekunden auf Basis des aktuellen Kamerabilds eine neue Inferenz durch und sagt zugleich die Bewegungsänderungen der folgenden 6 Sekunden voraus.
XPeng beschreibt den Schritt so: Im vergangenen Monat habe die zweite VLA-Generation begonnen, „Zeit“ zu verstehen; in diesem Monat werde sie auf IRON eingesetzt und beginne, „Ihren nächsten Schritt“ zu verstehen.
Wenn das Gegenüber umdisponiert
Die offizielle Demo konzentriert sich auf Interaktion auf kurze Distanz. IRON kann Menschen die Hand schütteln, einen Faustgruß geben und abklatschen, und wenn der Mensch spontan die Geste wechselt, passt er sich an: Wird die ausgestreckte offene Hand plötzlich zur Faust, wechselt er zum Faustgruß; verschiebt sich die Position des High Five, nimmt er die andere Hand.
Laut XPeng beobachtet IRON ununterbrochen, beurteilt in Echtzeit und korrigiert laufend, ohne eine ganze Bewegungsfolge erst abschließen zu müssen, bevor er reagiert. Die Schwierigkeit solcher Szenarien brachte der Bericht von ITHome in einem schlichten Satz auf den Punkt: „Menschen richten sich nicht nach dem Takt des Roboters.“
Beim alten Verfahren erkennt der Roboter zunächst eine Geste und ruft dann die passende komplette Bewegung ab; während der Ausführung ist er gegenüber Veränderungen in der Umgebung weitgehend „blind“. Mit höherer Inferenzfrequenz wird die Bewegung in sehr kurze Segmente zerlegt, und jedes Segment kann anhand des neuesten Bilds korrigiert werden.
Die Zahlen 0,2 und 6 Sekunden
Beide Zahlen zusammen lassen den Takt des Systems grob abschätzen. Eine Inferenz alle 0,2 Sekunden bedeutet 5 pro Sekunde; innerhalb des 6-Sekunden-Vorhersagefensters wird das Modell etwa 30-mal neu aufgerufen, aktualisiert dabei jedes Mal seine Einschätzung der kommenden Sekunden und führt davon nur das unmittelbar nächste kurze Stück aus.
Das Vorhersagefenster ist deutlich länger als das Ausführungssegment. Der Vorteil: Die Bewegung ruckelt nicht, und der Roboter weiß, dass er sich mitten in einem längeren Bewegungsablauf befindet. Der Nachteil: Jede Inferenz muss innerhalb von 0,2 Sekunden fertig sein, sodass Modellgröße und Rechenleistung auf dem Gerät durch diese Vorgabe begrenzt werden. XPeng hat weder die Parameterzahl des auf IRON eingesetzten VLA der zweiten Generation offengelegt noch gemessene Verteilungen der Inferenzlatenz genannt.
Zum Vergleich mit dem Menschen: Die einfache Reaktionszeit auf einen visuellen Reiz liegt in der Regel bei etwa 0,2 Sekunden. IRONs Inferenzintervall liegt in derselben Größenordnung und reicht für wenig schnelle Interaktionen wie Handschlag und High Five auf den ersten Blick aus. Ob der 0,2-Sekunden-Takt auch bei schnelleren Aktionen mithält, etwa beim Wegschlagen eines herangeflogenen Objekts oder beim Fangen eines zugeworfenen Gegenstands, zeigte die Demo nicht.
Auch der Einsatz auf dem Gerät hat seine Eigenheiten: Die Inferenz läuft direkt im Roboterkörper, ohne Hin und Her mit der Cloud, sodass Netzschwankungen die Reaktion nicht unmittelbar verlangsamen; der Preis dafür ist, dass das Modell auf den Chips im Rumpf Platz finden muss.
Die Hardware-Basis von IRON
IRON hatte XPeng am 5. November 2025 auf dem Tech Day vorgestellt. Der Körper besitzt eine menschenähnliche Wirbelsäule, bionische Muskeln und eine vollständig umhüllende, flexible Haut; der Kopf ist ein gewölbtes 3D-Display, die Schultern sind bionisch aufgebaut, und die geschickte Hand verfügt über 22 Freiheitsgrade.
Für die Berechnung sind 3 von XPeng selbst entwickelte Turing-KI-Chips verbaut; softwareseitig kombiniert das System VLT, VLA und VLM, um Dialog, Gehen und Interaktion zu ermöglichen. Das VLA der zweiten Generation baut auf derselben Physical-AI-Basis von XPeng auf; offiziell kam im letzten Monat zunächst das Verständnis von „Zeit“ hinzu, erst in diesem Monat folgte der Einsatz auf IRON.
Zeitplan für die Serienfertigung
XPeng plant, die Serienfertigung humanoider Roboter bis Ende 2026 zu erreichen und im ersten Halbjahr 2027 mit der Auslieferung zu beginnen, zunächst an kommerzielle Szenarien wie Filialen und Einkaufszentren, später dann an Industrie und Haushalte.
In derselben Woche stellte Unitree den humanoiden Roboter H2-X vor, dessen Akkulaufzeit laut Hersteller bis zu etwa 8 Stunden beträgt; das Veröffentlichungstempo bei humanoiden Robotern in China bleibt hoch. Die Demos der einzelnen Anbieter ähneln immer mehr dem Alltag. Ob dieselbe Reaktionsgeschwindigkeit nach dem Serienstart im echten Publikumsverkehr gehalten werden kann, dazu hat XPeng bislang keinerlei Daten aus Feldtests veröffentlicht; das lässt sich erst beurteilen, wenn die ersten Roboter in den Filialen stehen.
Quellen: offizielle Mitteilung von XPeng Motors, ITHome, CocoLoop; die von XPeng veröffentlichten Angaben zu Inferenzintervall, Vorhersagefenster und Plänen für Serienfertigung und Auslieferung wurden geprüft.