Was ist SuperMimic?
SuperMimic ist der Code zu einem Paper der UC Berkeley, das auf der CoRL 2026 als Oral angenommen wurde, von Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel und Koushil Sreenath. Es trainiert eine einzige Policy, mit der ein humanoider Roboter menschliche Ganzkörperbewegungen nachahmt, vom Gehen bis zu Saltos und seitlichen Rollen. Statt Reinforcement Learning direkt im Simulator laufen zu lassen, passt es ein einziges gelerntes Weltmodell an Übergänge an, die in MuJoCo Warp aufgezeichnet wurden, und trainiert die Policy durch dieses Modell mit analytischen Gradienten über kurze imaginierte Rollouts von 32 Schritten.
Das Repository enthält Python-Skripte für Training und Wiedergabe zu zwei Task-IDs auf dem Unitree G1, eine mit verallgemeinerten und eine mit maximalen Koordinaten. Es baut auf mjlab auf und braucht den mjlab_research-Fork von HybridRobotics daneben geklont. Die Projektseite bietet eine Browser-Demo, die die Policy auf einer gewählten Bewegung ausführt.
Das Repository wurde am 10. November 2026 angelegt, steht unter Apache 2.0 und hat etwa 1.893 GitHub-Sterne und 149 Forks. Getaggte Releases gibt es nicht; der letzte Commit kam am 19. November 2026.
Lohnt sich SuperMimic?
Die zentrale Aussage betrifft die Rechenleistung, und die Projektseite belegt sie mit eigener Abrechnung. Auf einem Benchmark mit 129.514 Bewegungen übertrifft SuperMimic nach 3 Stunden auf einer NVIDIA H100 den normalisierten Return des veröffentlichten SONIC-Checkpoints (0,90). SONIC wurde 7 Tage auf 128 NVIDIA-L40-GPUs trainiert, rund 21.000 GPU-Stunden, der Abstand liegt also bei mehr als dem 1000-Fachen an GPU-Stunden. SuperMimic trainierte zudem mit weniger Daten: 264,56 Stunden BONES-SEED, der öffentliche Teil der 611 Stunden von SONIC.
Aussagekräftiger sind die Fehlerzahlen. Der SONIC-Checkpoint scheitert an 179 Bewegungen, darunter alle 44 Saltos und alle 22 seitlichen Rollen. Nach 3 Stunden scheitert SuperMimic an 25, darunter 1 Salto, 2 seitliche Rollen und 8 Bewegungen zum Hinlegen oder Aufstehen; nach 9,8 Stunden auf zwei GPUs melden die Autoren keine mehr. Die Seite sagt ausdrücklich, dass die Benchmark-Bewegungen für beide Methoden Trainingsbewegungen sind. Die Zahlen messen also, wie viel der Bibliothek eine Policy abdeckt, nicht wie sie mit unbekannten Bewegungen umgeht.
Die Methode braucht keinen differenzierbaren Simulator. Das Weltmodell lernt von einem gewöhnlichen Kontaktsimulator, wird in jeder Iteration zusammen mit der Policy aktualisiert, und ein Critic schätzt den Return jenseits des imaginierten Horizonts von 32 Schritten. Laut den Autoren läuft eine einzige Policy zero-shot auf einem echten Unitree G1 in jedem gezeigten Clip, ohne Feintuning pro Bewegung. Das stützt sich auf Videos und das Paper; wie robust es außerhalb dieser Clips ist, solltest du im Abschnitt zum echten Roboter prüfen, bevor du Hardwarezeit einplanst.
Der Haken: Das Repository ist nur für Training. Ein offenes Issue hält fest, dass es keine Konfigurationen für die Läufe im Paper, keinen Download-Pfad für Daten und keinen veröffentlichten Checkpoint gibt; ein anderes meldet, dass der Trainingsbefehl aus der README für externe Konten scheitert, weil die Bewegungsdaten in einer Weights-&-Biases-Registry liegen, auf die sie keinen Zugriff haben. Auch die Wiedergabe liest Läufe aus W&B. Das Projekt ist zehn Tage alt, hängt an einem Forschungs-Fork von mjlab mit 47 Sternen und setzt Python 3.13 voraus.
Unser Fazit: Für ein Humanoid-Labor ist SuperMimic das Ergebnis, das man in diesem Quartal nachbauen sollte, weil es Ganzkörper-Tracking von einem Budgetposten auf eine einzelne Workstation holt. Wer morgen eine fertige Policy auf einen G1 laden will, liest es besser als Paper, bis der Code aufholt.
Wo es sich lohnt
Ein Humanoid-Labor an einer Universität mit einer oder zwei H100
Einen allgemeinen Bewegungs-Tracker für einen Unitree G1 trainieren, ohne einen Cluster zu mieten
Klone supermimic und mjlab_research nebeneinander, bereite eigene Bewegungsdaten vor, bis der Datenpfad öffentlich ist, und trainiere die Task SuperMimic-GenCoord-G1. Der Paper-Lauf übertraf seine Baseline in 3 Stunden auf einer H100; plane Zeit ein, um die Paper-Konfigurationen nachzubauen.
Ein Robotik-Start-up, das Weltmodell-Training mit PPO vergleicht
Entscheiden, ob modellbasiertes Training die GPU-Rechnung senkt
Lass beide Koordinatenvarianten auf einem Teil deiner eigenen Bewegungen laufen und vergleiche die GPU-Stunden bis zu einem Ziel-Return. Die Autoren melden etwa 64-mal weniger imaginierte Schritte als PPO auf demselben Weltmodell, um den besten Trainings-Return von PPO zu erreichen.
Bevor du dich festlegst
- Einrichtung
- uv installieren, supermimic und HybridRobotics/mjlab_research als Geschwisterordner klonen und das Trainingsskript mit einer Task-ID auf einer gewählten GPU starten. Python 3.13 ist Pflicht.
- Integrationen
- Baut auf mjlab und MuJoCo Warp auf; protokolliert und lädt Läufe über Weights & Biases; liefert nur Tasks für den Unitree G1.
- Daten und Datenschutz
- Läuft auf deinen eigenen Rechnern. Die Trainingsbewegungen stammen aus BONES-SEED; das Bewegungs-Artefakt aus der README liegt in einer W&B-Registry, auf die externe Konten nach eigenen Angaben nicht zugreifen können.
- Kosten im großen Maßstab
- Code kostenlos. Die Kosten sind GPU-Zeit: 3 GPU-Stunden auf einer H100, um die Baseline zu übertreffen, 19,6 GPU-Stunden (9,8 Stunden auf zwei GPUs) für null gescheiterte Bewegungen im Paper.
- Grenzen
- Keine Checkpoints, kein Evaluations-Harness und keine getaggten Releases; nur G1; die Robustheit am echten Roboter ist in Clips gezeigt und sollte im Paper geprüft werden.
Was gut ist
- Übertrifft eine 128-GPU-Baseline nach 3 Stunden auf einer H100
- 25 gescheiterte Bewegungen von 129.514 gegenüber 179, keine nach 9,8 Stunden auf zwei GPUs
- Schafft Saltos und seitliche Rollen, an denen der SONIC-Checkpoint scheitert
- Apache 2.0, mit Browser-Demo der trainierten Policy
Was nicht
- Kein veröffentlichter Checkpoint und keine Konfigurationen der Paper-Läufe
- Der Datenpfad aus der README scheitert für externe Konten
- Benchmark-Bewegungen sind Trainingsbewegungen: gemessen wird Abdeckung, nicht Generalisierung
- Abhängig von einem jungen Forschungs-Fork von mjlab und von Weights & Biases
Am besten für
Robotikforschende mit einer NVIDIA-GPU, die humanoides Ganzkörper-Tracking ohne GPU-Cluster nachbauen oder erweitern wollen.
Alternativen zu SuperMimic
SuperMimic: häufige Fragen
- Lohnt sich SuperMimic?
- SuperMimic macht aus humanoidem Bewegungs-Tracking statt eines Cluster-Jobs einen Nachmittag auf einer GPU, ist heute aber Forschungscode, den du selbst neu trainieren musst. Wir bewerten es mit 3.8 von 5.
- Was kostet SuperMimic?
- Kostenlos und Open Source unter Apache 2.0. Du brauchst eine eigene NVIDIA-GPU; der zentrale Lauf im Paper nutzte eine H100 für 3 Stunden.
- Welche Nachteile hat SuperMimic?
- Kein veröffentlichter Checkpoint und keine Konfigurationen der Paper-Läufe; Der Datenpfad aus der README scheitert für externe Konten; Benchmark-Bewegungen sind Trainingsbewegungen: gemessen wird Abdeckung, nicht Generalisierung; Abhängig von einem jungen Forschungs-Fork von mjlab und von Weights & Biases.
- Für wen eignet sich SuperMimic?
- Robotikforschende mit einer NVIDIA-GPU, die humanoides Ganzkörper-Tracking ohne GPU-Cluster nachbauen oder erweitern wollen.
- Was kostet SuperMimic für ein Team oder im Produktivbetrieb?
- Code kostenlos. Die Kosten sind GPU-Zeit: 3 GPU-Stunden auf einer H100, um die Baseline zu übertreffen, 19,6 GPU-Stunden (9,8 Stunden auf zwei GPUs) für null gescheiterte Bewegungen im Paper.
- Ist SuperMimic sicher für Firmendaten?
- Läuft auf deinen eigenen Rechnern. Die Trainingsbewegungen stammen aus BONES-SEED; das Bewegungs-Artefakt aus der README liegt in einer W&B-Registry, auf die externe Konten nach eigenen Angaben nicht zugreifen können.
- Was sind die besten Alternativen zu SuperMimic?
- Die nächsten Alternativen, die wir getestet haben, sind Eden.
Antworten geprüft am 20. Nov. 2026.