{"id":3443311,"date":"2026-09-09T11:29:13","date_gmt":"2026-09-09T09:29:13","guid":{"rendered":"https:\/\/datanorth.ai\/?post_type=news&#038;p=3443311"},"modified":"2026-09-09T11:29:30","modified_gmt":"2026-09-09T09:29:30","slug":"deepcybo-brengt-physbrain-1-5-uit","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/deepcybo-brengt-physbrain-1-5-uit","title":{"rendered":"DeepCybo brengt PhysBrain 1.5-8B uit"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>Gepubliceerd 9 september 2026<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">DeepCybo publiceerde op 8 september 2026 PhysBrain 1.5-8B en PhysBrain 1.5-2B, twee modellen die camerabeelden bekijken en over de fysieke wereld redeneren zodat een robot ernaar kan handelen. De 8B-versie scoort 72,5 op de eigen testset van DeepCybo met 28 benchmarks, hoger dan elk ander open model dat het mat en op minder dan een punt van GPT 6 Astra met 73,3. Aan geen van beide modellen hangt een licentie.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat doet PhysBrain 1.5?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Een robot heeft drie dingen nodig van een model. Het moet begrijpen waar het naar kijkt, beslissen wat er als volgende beweegt, en enig idee hebben hoe de wereld eruitziet na die beweging. De meeste systemen plakken voor elk van die taken een aparte module op een gedeeld vision-language-model.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">PhysBrain 1.5 doet alle drie met \u00e9\u00e9n model en zonder extra modules. DeepCybo maakte van robotarmbewegingen en toekomstige camerabeelden nieuwe woorden in de woordenschat van het model. Het model voorspelt vervolgens gewoon het volgende woord, of dat woord nu Engels is, een co\u00f6rdinaat voor de grijper, of een stuk van het beeld dat het over een seconde verwacht te zien. DeepCybo noemt dat een gesloten fysieke lus: kijken, handelen, opnieuw kijken.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De praktische winst is dat het bestand dat je downloadt een gewoon Qwen3-VL-model blijft. Het draait op de standaard serveertools zonder eigen code. De prijs, die DeepCybo niet bespreekt, is dat het opknippen van een vloeiende armbeweging in een vast aantal stappen precisie kost die een speciale besturingsmodule wel zou behouden.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>PhysBrain 1.5-8B: 8,9 miljard parameters, 17,8 GB aan gewichten, gebouwd op Qwen3-VL-8B-Instruct<\/li>\n\n\n\n<li>PhysBrain 1.5-2B: 2,2 miljard parameters, 4,3 GB aan gewichten, gebouwd op Qwen3-VL-2B-Instruct<\/li>\n\n\n\n<li>Contextvenster: 262.144 tokens bij beide formaten<\/li>\n\n\n\n<li>De enige structurele wijziging ten opzichte van Qwen3-VL zijn 16.640 extra woorden voor acties en toekomstbeelden<\/li>\n\n\n\n<li>Licentie: niet opgegeven, dus je kunt de gewichten downloaden zonder geschreven toestemming om ze te gebruiken<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">PhysBrain 1.5 tegenover GPT 6 Astra en Qwen3-VL<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Het zuiverste cijfer in deze release is het verschil met het eigen startpunt. PhysBrain 1.5-8B is getraind bovenop Qwen3-VL-8B-Instruct, dus het verschil tussen de twee kolommen laat zien wat die training echt heeft opgeleverd.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Wat wordt gemeten<\/th><th>PhysBrain 1.5-8B<\/th><th>Qwen3-VL-8B-Instruct<\/th><\/tr><\/thead><tbody><tr><td>Gemiddelde over alle 28 benchmarks<\/td><td>72,5<\/td><td>59,5<\/td><\/tr><tr><td>VLABench (een robottaak plannen)<\/td><td>76,4<\/td><td>44,8<\/td><\/tr><tr><td>EgoPlan-Bench2 (plannen vanuit de eigen blik)<\/td><td>62,1<\/td><td>32,1<\/td><\/tr><tr><td>BLINK (basale visuele waarneming)<\/td><td>87,9<\/td><td>81,7<\/td><\/tr><tr><td>MMSI-Bench (ruimtelijk redeneren over beelden)<\/td><td>41,0<\/td><td>30,8<\/td><\/tr><tr><td>RefSpatial-Bench (de juiste plek aanwijzen)<\/td><td>50,9<\/td><td>43,6<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Al deze cijfers komen van DeepCybo zelf. De modelkaart zegt dat het team alle vergelijkingsmodellen opnieuw heeft gedraaid zodat de metrieken gelijk zijn. Dat is een verdedigbare keuze, en het betekent ook dat geen enkel getal hier door iemand anders is gecontroleerd. Tegenover gesloten modellen staat de 8B op 72,5, met 73,3 voor GPT 6 Astra, 73,0 voor Gemini 3.6 Flash en 67,9 voor Claude Opus 5. De 2B-versie haalt 66,6 en zou daarmee elk ander open model in de tabel verslaan, al laat DeepCybo die versie buiten de eigen open-source-ranglijst.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat DeepCybo niet vertelt<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Er staat geen licentieveld op de modelkaarten en er zit geen licentiebestand in de repositories. Iedereen kan 17,8 GB aan gewichten downloaden zonder geschreven toestemming om ze te gebruiken. Voor een bedrijfsrelease gericht op robotteams is dat het eerste wat gerepareerd moet worden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De modelkaart verwijst naar een PhysBrain 1.5 Technical Report en linkt naar een GitHub-repository. Die link geeft een 404, en op arXiv bestaat geen paper over PhysBrain 1.5. De details van de evaluatie worden doorgeschoven naar een rapport dat nog niet geschreven is.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Alle 28 benchmarks testen \u00e9\u00e9n ding: of het model begrijpt waar het naar kijkt. Dat is \u00e9\u00e9n van de drie beloofde capaciteiten. Beslissen wat er beweegt en voorspellen wat er daarna gebeurt, worden alleen gestaafd met voorbeeldplaatjes onder het kopje kwalitatieve resultaten. Er zijn helemaal geen slagingspercentages van robots, niet in simulatie en niet op hardware. Dat is een stap terug ten opzichte van PhysBrain 1.0, waarover Chinese media een gemiddeld slagingspercentage van 80,2% in simulatie meldden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De drie gesloten modellen kregen bovendien een handicap. GPT 6 Astra draaide op een lage denkstand en Gemini 3.6 Flash op de minimale, terwijl twee van de open concurrenten juist met denken aan draaiden. Op 0,8 punt komen van een model dat is verteld niet diep na te denken, is niet hetzelfde als eraan gelijk zijn.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat dit betekent<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dit is het testen waard als je een robotteam bent dat al een vision-language-model als redeneerlaag boven een aparte besturingspolicy draait, en je wilt weten of \u00e9\u00e9n checkpoint die stapel kan vervangen. De sprong van 13 punten ten opzichte van het Qwen3-VL-model waarop het is getraind is echt en groot, het draait op de standaard serveertools, en de 2B-versie past op een gewone videokaart. Daarmee is het een van de weinige modellen van dit type die je op de robot zelf kunt zetten in plaats van in een datacenter. Download het, draai je eigen waarnemingstests, en behandel de ranglijstclaim als een beginhypothese.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Zet het voorlopig niet in productie. Een model zonder licentie, zonder technisch rapport, met een verwijzing naar een dode URL en zonder enig gepubliceerd besturingsresultaat is een onderzoeksversie die als release is gelabeld. De eerlijke lezing is dat DeepCybo een sterk waarnemingsmodel heeft laten zien en daar een robotmodel bovenop claimt. Let op twee dingen: een licentie, en welk cijfer dan ook waaruit blijkt dat een robot een taak afmaakt. Tot dat tweede er is, blijft de interessantste claim in deze release ongetoetst.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>Voor meer informatie, bekijk <a href=\"https:\/\/huggingface.co\/DeepCybo\/PhysBrain1.5-8B\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">de offici\u00eble aankondiging van PhysBrain 1.5 in de modelkaart van PhysBrain 1.5-8B<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>DeepCybo bracht op 8 september 2026 PhysBrain 1.5-8B en PhysBrain 1.5-2B uit, vision-language-modellen die robotbewegingen en toekomstige camerabeelden omzetten in tokens. <\/p>\n","protected":false},"author":22,"featured_media":3443309,"template":"","tags":[],"news-category":[],"class_list":["post-3443311","news","type-news","status-publish","has-post-thumbnail"],"meta_box":[],"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news\/3443311","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/22"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3443309"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3443311"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3443311"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news-category?post=3443311"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}