
GPT-6.2 Astra führt das SO-101-Roboter-Board an: 22 % Erfolg
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 184 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 494 tok/s
- AlibabaNEUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 pro 1 Mio. Tokens · 385 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 94 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Die SO-ARM101-Rangliste von RoboColosseum hat einen neuen ersten Platz, und das Ding, das darauf sitzt, ist keine Roboter-Policy. GPT-6.2 Astra erreichte auf der DCR-Skala der Website 1.984, Claude Fable 5.2 folgt mit 1.803 auf Platz zwei, Claude Opus 5.5 mit 1.666 auf Platz drei, der beste feinabgestimmte Vision-Language-Action-Checkpoint – pi0.5 von Physical Intelligence – mit 1.526 auf Platz vier und die vorherige Generation, GPT-6 Astra, mit 1.393 auf Platz fünf. OpenAI veröffentlichte GPT-6.2 Astra am 17. November 2026; die Bewertung wurde am 20. November um 19:46 UTC berechnet, und Greg Brockman verbreitete sie am frühen Morgen des folgenden Tages auf X. Das ist die gesamte Ankündigung. Was das Zitat nicht enthält, ist der Rest der Zeile: eine Erfolgsquote von 22 % bei der vollständigen Aufgabe, ein Vorsprung, den das Leaderboard als innerhalb der Fehlerbalken liegend einordnet, und eine Stichprobe von 122 Blindvergleichen in Szenen, die das Modell noch nie gesehen hatte.
Wer das Ranking als Ergebnis liest, wird es falsch deuten. Liest man es als Momentaufnahme einer Evaluation, die noch läuft und sich erst noch füllt, auf dem günstigsten und am wenigsten erprobten der drei zentralen Roboterboards des Projekts, sagt es etwas Nützlicheres aus – darüber, wie schnell ein Allzweckmodell eine Lücke schließt, für deren Aufbau spezialisierte Manipulations-Policies ein Jahr gebraucht haben, und wie wenig von dieser Lücke die aktuelle Stichprobe tatsächlich belegen kann.
Was RoboColosseum misst – und was nicht

RoboColosseum ist ein verteiltes Evaluierungsframework und kein Labor. Das dahinterstehende Paper, arXiv 2611.02497, wurde am 2. November 2026 von einer Gruppe veröffentlicht, die NUS MAGIC Lab, Hugging Face, EAIC Singapore und BitRobot umfasst; zur Autorenliste gehören Dieter Fox, Siddhartha Srinivasa, Thomas Wolf, Harold Soh und David Hsu. Die Prämisse ist, dass sich Roboter-Policies nicht von einem Laptop aus benchmarken lassen, daher führt das Projekt sie in seiner ersten Studie auf echter Hardware aus, die von Partnern an 124 Standorten betrieben wird, in über 194 Szenen und mit 8.237 verschiedenen Anweisungen, die vor Ort von einer prüfenden Person formuliert wurden. Jeder Rollout wird auf Hugging Face im LeRobot-Format veröffentlicht, einschließlich Fehlschlägen.
Die Metrik ist der Punkt, an dem die meiste Berichterstattung schiefgeht, deshalb lohnt es sich, sie klar zu benennen. Die Website führt für jede Policy zwei Aufzeichnungen: eine W/T/L-Bilanz aus blinden Paarvergleichen, bei denen ein menschlicher Evaluator zwei Läufe derselben Anweisung in derselben Szene beobachtet und den besseren auswählt oder auf Gleichstand entscheidet; und eine DCR-Bewertung, die aus den Erfolgsausgängen der Gesamtaufgabe geschätzt wird, nachdem dafür kalibriert wurde, wie schwierig sich jede Aufgabe erwiesen hat. Das Leaderboard sagt es selbst, in einem Satz, der es in keinen einzigen Tweet über das Ergebnis geschafft hat: DCR ist „ein Difficulty-Calibrated Rasch (DCR) Rating (Elo-Skala); es sollte nicht als ein Elo-Rating interpretiert werden, das durch sequenzielle Elo-Updates erhalten wurde.“
Diese Unterscheidung ist keine Pedanterie. Eine Elo-Zahl ändert sich bei jedem gespielten Match; eine Rasch-Schätzung ist eine gemeinsame Anpassung von Policy-Fähigkeit und Aufgabenschwierigkeit, und sie ändert sich, wenn sich eine der beiden Seiten dieser Anpassung ändert. Das SO-101-Board als „Elo-Ranglisten“ zu berichten — so wurde das Ergebnis auf X beschrieben — nimmt eine Posterior-Schätzung und verkleidet sie als laufende Anzeigetafel. Auf einem Diagramm sehen die beiden ähnlich aus, und genau deshalb hält sich die Verwechslung. DCR erfordert außerdem mindestens 20 zulässige Vergleiche, bevor eine Policy überhaupt gerankt wird, und verwendet bewusst nicht die Sieg-Niederlage-Unentschieden-Bilanz: Zwei Policies können sehr unterschiedliche W/T/L-Werte haben und dennoch durch die erfolgsbasierte Anpassung getrennt werden. Behalten Sie das im Hinterkopf, wenn die untenstehenden Zahlen einander zu widersprechen scheinen.
Das Board, von oben nach unten

Der SO-ARM101 ist der Open-Source-Arm aus dem 3D-Drucker aus dem LeRobot-Ökosystem – derjenige, den das Paper als so konzipiert beschreibt, dass er an verschiedenen Standorten identisch nachgebaut werden kann, sodass ein in Singapur erzieltes Ergebnis in einem Labor anderswo reproduziert werden kann. Zehn Policies werden darauf gerankt. Stand der Aktualisierung vom 20. November:
• GPT-6.2 Astra — 1.984, 122 Vergleiche, 95 Siege / 18 Unentschieden / 9 Niederlagen, 27 vollständige Erfolge
• Claude Fable 5.2 — 1.803, 112 Vergleiche, 62 / 23 / 27, 21 Erfolge
• Claude Opus 5.5 — 1,666, 187 Vergleiche, 98 / 57 / 32, 9 Erfolge
• pi0.5 — 1.526, 194 Vergleiche, 66 / 57 / 71, 9 Erfolge
• GPT-6 Astra — 1.393, 183 Vergleiche, 75 / 62 / 46, 5 Erfolge
• Grok 4.7 — 1.366, 181 Vergleiche, 37 / 79 / 65, 4 Erfolge
• LingBot-MolmoAct2 — 1.259, 214 Vergleiche, 42 / 92 / 80, 5 Erfolge
• GR00T N1.7 — 1,233, 219 Vergleiche, 31 / 92 / 96, 3 Erfolge
• MolmoAct2 — 1,122, 216 Vergleiche, 40 / 83 / 93, 3 Erfolge
• G0.5 — 1,095, 207 Vergleiche, 18 / 94 / 95, 1 Erfolg
Aus dieser Liste ergeben sich sofort zwei Dinge. Erstens sind die besten drei allesamt Frontier-Sprachmodelle, die über ein Coding-Harness gesteuert werden, keine feinabgestimmten Manipulations-Policies; der beste spezialisierte VLA, pi0.5, liegt auf Platz vier. Zweitens hat Claude Opus 5.5 die meisten eindeutigen Siege auf dem Tableau – 98, drei mehr als Astra – und landet dennoch auf Platz drei, weil es außerdem 57 Gleichstände und nur neun vollständige Erfolge hat. Astras Bilanz ist das Gegenteil: weniger Vergleiche, deutlich weniger Gleichstände und dreimal so viele abgeschlossene Aufgaben. Was auch immer das Harness tut, es verwandelt Teilfortschritt in abgeschlossene Durchläufe, und genau darauf ist DCR ausgelegt.
Zweiundzwanzig Prozent ist die Zahl
27 Erfolge bei 122 Vergleichen entsprechen 22,1 %. Das ist die höchste Erfolgsquote für vollständige Aufgaben auf dem SO-ARM101-Board, und es bedeutet, dass etwa vier von fünf Versuchen die Anweisung nicht abschließen. Die Aufgaben sind nicht exotisch – die veröffentlichten Rollouts umfassen „Stellen Sie die Tasse in die Pfanne“, „Nehmen Sie die gelbe Box und legen Sie sie auf den Teller“, „Drehen Sie den Marker um 90 Grad im Uhrzeigersinn“, „Berühren Sie den blauen Stift“ und „Nehmen Sie die Gabel und dann das Messer“. Die Szenen sind gewöhnliche Tische: NUS COM3, ein Tisch draußen auf einer Terrasse, ein Platz außerhalb des MAGIC Lab.
Dass ein Spitzenreiter vier von fünf Durchläufen scheitert, ist der wichtigste einzelne Kontext für die Schlagzeile, und er deckt sich mit allem, was das Projekt veröffentlicht hat. Das November-Papier berichtet, dass über seine sechs Manipulationskategorien hinweg „kein evaluiertes System in irgendeiner Kategorie 13 % Erfolg überschreitet“ und dass MolmoAct2, die stärkste VLA gemessen am erwarteten Vergleichswert, auf dem relativen Maß nur 58 % bis 77 % erreichte, während die absoluten Erfolgsraten zwischen 6 % und 13 % lagen. Die Rangliste, die Sie vor sich haben, ist keine Rangliste von Robotern, die die Aufgabe erledigen können. Sie ist eine Rangliste von Systemen, die besser darin werden, nicht vollständig zu scheitern.
Die Erfolgsrate ist außerdem die einzige Zahl in der Zeile, die durch die Metrik nicht aufgebläht werden kann. Eine DCR-Bewertung hängt von der Schwierigkeitskalibrierung ab, die davon abhängt, wie der Fit Aufgaben über Policies hinweg zusammenfasst; eine Erfolgsanzahl nicht. Siebenundzwanzig ist siebenundzwanzig. Wenn Sie GPT-6.2 Astra mit irgendetwas auf dieser Liste vergleichen möchten, ohne über Rasch-Modelle zu streiten, vergleichen Sie 27 mit 21 mit 9 mit 5.
Der Vorsprung liegt innerhalb der Fehlerbalken.
RoboColosseum zeichnet eine posteriore Standardabweichung von ±1 um jede Bewertung und gibt in derselben Zeile an, dass der „Vorsprung gegenüber #2“ des Führenden von +181 Punkten „innerhalb der Fehlerbalken“ liege. Das ist die eigene Zusammenfassung der Website ihres eigenen Ergebnisses, direkt neben der Zahl abgedruckt statt darunter verborgen.
Legt man die ±1-SD-Bänder nebeneinander, ist die Vorsicht berechtigt. Astra liegt bei etwa 1.888 bis 2.080; Claude Fable 5.2 bei etwa 1.712 bis 1.894. Sie überlappen sich in einem Fenster von wenigen Punkten um 1.890, und der Abstand von 181 Punkten zwischen den beiden Schätzungen entspricht etwa 1,4 kombinierten Standardabweichungen – nicht genug, um von einer Führung statt von einem Tiebreak zu sprechen. Astras 122 Vergleiche reichen aus, um es auf Platz eins zu setzen, aber nicht, um mit Sicherheit zu sagen, dass es besser ist als das Modell auf Platz zwei. Der Abstand zwischen Platz eins und Platz drei ist größer und eindeutiger – 1.984 gegen 1.666 –, aber es ist auch ein Vergleich zwischen einem Modell mit 122 Vergleichen und einem mit 187, auf einem Board, auf dem jede andere Policy mehr Stichproben hat als der Spitzenreiter.
Das ist kein Makel, der nur auf dieses Ergebnis zutrifft. So sieht ein Board mit 1,017 Vergleichen aus. Zum Vergleich: Das Franka-Board desselben Projekts hat 5,643 Vergleiche und das Bimanual-YAM-Board 4,517; SO-ARM101 ist mit 78 Szenen und 70,3 Roboterstunden dahinter das dünnste der drei – um den Faktor etwa fünf. Ein Neuling kann hier schneller den ersten Platz erreichen als auf jedem anderen Board des Sets. Das ist eine Eigenschaft des Boards, nicht des Modells, und das wird auch beim nächsten Modell, das erscheint, weiterhin gelten.
Warum ein Sprachmodell auf einer Roboterplatine sitzt
Die interessanteste strukturelle Tatsache an dieser Bestenliste ist, dass sie zwei Arten von Systemen mischt, die normalerweise getrennt gehalten werden. Fünf der zehn Policies sind Vision-Language-Action-Checkpoints – pi0.5, GR00T N1.7, MolmoAct2, LingBot-MolmoAct2, G0.5 –, die auf Roboterdaten trainiert und im Fine-Tune-Track mit 100 Demonstrationen pro Aufgabe feinabgestimmt wurden. Die anderen fünf sind Frontier-Agenten: GPT-6.2 Astra, GPT-6 Astra, Claude Fable 5.2, Claude Opus 5.5 und Grok 4.7, die jeweils über ein Serving-Rig angebunden sind und den Motion-Code selbst schreiben. Das Paper sagt es direkt: Frontier-Agenten „nehmen ausschließlich am Open Track teil“, während VLA-Modelle embodimentspezifische Checkpoints verwenden.
Dieses Design ist der Grund dafür, dass das Ergebnis überhaupt lesbar ist, und dafür, dass es nicht als Aussage über Robotikmodelle gelesen werden sollte. GPT-6.2 Astra wurde nicht mit SO-101-Trajektorien trainiert. Es wurde nicht für die Aufgaben feinabgestimmt. Von ihm wird verlangt, Kamerastreams zu betrachten, über einen Tisch zu schlussfolgern und Bewegungsbefehle auszugeben, was ein Test allgemeiner Kompetenz ist, angewandt auf einen physischen Regelkreis, und kein Test der Manipulationsfähigkeit. Dass dies eine speziell für den Roboterarm trainierte Policy schlägt, ist die eigentliche Geschichte; die Erfolgsquote von 22 % ist der Preis dafür, es so zu machen.
Die eigene Cross-Embodiment-Überprüfung der Arbeit ist das Korrektiv. Die Ranglisten der Policies zeigen „geringe Übereinstimmung über embodimentspezifische Aufgaben-Suites hinweg“, mit Kendall's W von 0,24 – was nahezu keiner Übereinstimmung entspricht. π0.5 belegt den ersten Platz auf Franka und Bimanual-YAM und den vierten Platz auf dem G1-Humanoiden; GR00T N1.7 führt SO-ARM101 nach Fine-Tuning an und landet auf den anderen beiden auf dem vierten Platz. Eine auf einem Arm erzielte Zahl lässt sich nicht übertragen, und GPT-6.2 Astra wurde nur auf diesem einen getestet. In der Franka-Rangliste fehlt es völlig, wo die vorherige Generation, GPT-6 Astra, derzeit mit 1.915 führt.
Eines Tages, 122 Vergleiche
Der Beitrag, mit dem alles begann, behauptet, das Modell sei an „nur EINEM TAG“ „Hunderten von direkten Vergleichen unter realen Bedingungen“ unterzogen worden. Das Board schreibt GPT-6.2 Astra 122 zu. Beide Zahlen können stimmen – die Arena führt Vergleiche für jede ihrer Policies durch, und der tägliche Durchsatz liegt deutlich im Hunderterbereich –, doch nur eine davon ist die Stichprobe hinter den 1.984, und zwar die kleinere.
Es lohnt sich, den zeitlichen Ablauf genau festzuhalten, denn „one day“ leistet hier rhetorische Arbeit. OpenAI veröffentlichte GPT-6.2 Astra am 17. November. Die Bewertung auf dem SO-ARM101-Board trägt einen Berechnungszeitstempel vom 20. November, 19:46 UTC, und der jüngste Vergleich der Arena wurde am selben Morgen um 09:49 UTC protokolliert. Die 122 Vergleiche haben sich also über etwa drei Tage eines Live-Boards angesammelt, nicht über vierundzwanzig Stunden eines dedizierten Durchlaufs. Die Website aktualisiert stündlich, was bedeutet, dass die Zahl, die Sie sehen, eine fortlaufende Schätzung und kein fertiges Ergebnis ist – und dass eine Rangänderung um ein oder zwei Plätze durchaus im Bereich dessen liegt, was die nächste Aktualisierung hervorbringen kann.
Nichts davon macht das Ergebnis falsch. Es macht es auf eine bestimmte, überprüfbare Weise vorläufig: Die Richtung ist klar, die Größenordnung noch nicht festgelegt, und wer 1,984 als feste Größe zitiert, zitiert einen Fit, der sich verschieben wird.
Was der Rang kostet

Hier wird das Rauschen zu einer Kaufentscheidung statt zu einer methodischen Fußnote. Auf dem SO-ARM101-Board sind die beiden Topmodelle zum selben Preis gelistet. GPT-6.2 Astra kostet 8 US-Dollar pro Million Eingabe-Tokens und 40 US-Dollar pro Million Ausgabe-Tokens; Claude Fable 5.2 kostet 8 und 40 US-Dollar; GPT-6 Astra, drei Plätze weiter unten, kostet 10 und 50 US-Dollar. Claude Opus 5.5, auf Platz drei, kostet 4 und 20 US-Dollar – die Hälfte von Astras Eingabepreis und die Hälfte seines Ausgabepreises – und pi0.5, die beste spezialisierte Policy auf dem Board, ist Open Weights und kostenlos auf eigener Hardware betreibbar.
• Platz 1 — GPT-6.2 Astra, 1.984 DCR, 8 $ Eingabe / 40 $ Ausgabe pro Million Token
• Rang 2 — Claude Fable 5.2, 1.803 DCR, $8 / $40
• Platz 3 — Claude Opus 5.5, 1.666 DCR, 4 $ / 20 $
• Rang 4 — pi0.5, 1.526 DCR, offene Gewichte
• Platz 5 — GPT-6 Astra, 1.393 DCR, $10 / $50
Wenn man das als Kostenkurve liest, ist das Ranking nicht mehr der interessante Teil. Der Wechsel vom dritten auf den ersten Platz verdoppelt die Kosten pro Token und erkauft einen Vorsprung, von dem das Board selbst sagt, dass er innerhalb der Fehlerbalken liegt. Der Wechsel vom fünften auf den ersten Platz spart 20 % und bringt 591 DCR-Punkte, den größten Sprung einer einzelnen Generation im Board – aber er bedeutet auch, dass die vorherige Generation nun die teurere Option ist, eine Art Umkehrung, die nur auffällt, wenn man die Preisspalte neben dem Rang betrachtet.
Für alles in einer Schleife summiert sich diese Arithmetik. Ein Manipulationslauf ist nicht eine Anfrage; er ist eine lange Abfolge von Aufrufen, von denen die meisten Kamerabilder und ein wachsendes Protokoll mit sich führen, und der Preis pro Token multipliziert sich über jeden Schritt. Ein Modell, das 22 % der Aufgaben erledigt und 8 $ pro Million Eingabe-Token kostet, ist ein anderer Kauf als eines, das 5 % erledigt und 10 $ kostet, und der Unterschied ist in der Bestenliste überhaupt nicht sichtbar.
GPT-6.2 Astra ist noch nicht im OrcaRouter-Katalog, daher ist die ehrliche Antwort für alle, die es aufrufen möchten, die eigene API des Anbieters. Was der Katalog aber sehr wohl führt, ist der Rest dieser Spalte: GPT-6 Astra zu 10 $ und 50 $, GPT-6.1 Sol zu 2 $ und 10 $ sowie Claude Opus 5.5 zu 4 $ und 20 $, alle mit 0 % Aufschlag auf den Listenpreis des Anbieters, weshalb eine Preissenkung des Anbieters am selben Tag bei uns ankommt, an dem sie bei ihm ankommt. Dieselbe Aufgabe mit drei davon auszuführen und die abgeschlossenen Durchläufe zu vergleichen, ist das günstigste Experiment auf dieser Seite, und es ist das, worum das Leaderboard Sie bittet, und nicht das, worüber es berichtet.
Was würde das Urteil ändern
Drei Dinge würden aus einem vorläufigen ersten Platz einen endgültigen machen, und alle drei sind beobachtbar.
Das erste ist eine Stichprobe. SO-ARM101 benötigt mehrere hundert Vergleiche pro Policy, bevor sich seine Intervalle auf die Breite der Intervalle des Franka-Boards verengen. Das Band von GPT-6.2 Astra ist bei 95 % Glaubwürdigkeit 376 Punkte breit; Frankas Spitzenreiter, der GPT-6 Astra der vorherigen Generation, liegt bei 194 Vergleichen in einem Band von etwa 185 Punkten Breite. Wenn sich Astras Stichprobe ungefähr verdoppelt, beantwortet sich die Frage, ob es wirklich vor Claude Fable 5.2 liegt, von selbst.
Der zweite Punkt ist eine zweite Ausführungsform. Ein Modell, das bei einem Arm führt und nie auf einem anderen getestet wurde, ist ein Datenpunkt, keine Fähigkeitsaussage, und das Kendall's W von 0,24 in dem Papier ist das eigene Eingeständnis des Projekts, dass Rangfolgen nicht übertragbar sind. Wenn GPT-6.2 Astra auf dem Franka- oder Bimanual-YAM-Board in einem ähnlichen Rang erscheint, ist das SO-101-Ergebnis kein Artefakt eines dünn besetzten Boards mehr.
Der dritte ist der Fine-Tune-Track. Das Paper berichtet, dass GR00T N1.7 nach Fine-Tuning auf 100 Demonstrationen pro Aufgabe SO-101 anführt — und GR00T N1.7 derzeit mit 1,37 % Erfolgsquote und 219 Vergleichen auf dem achten Platz des offenen Boards steht. Das ist die nützlichste Zeile im gesamten Datensatz: Die Policy, die gewinnt, wenn alle dieselben Demonstrationen erhalten, steht nahe am Ende, wenn niemand welche bekommt, und der Frontier-Agent, der den offenen Track gewinnt, ist nicht derjenige, den irgendjemand zum Deployment auswählen würde. Zwei verschiedene Fragen, zwei verschiedene Gewinner, und nur eine davon ist das, was ein Robotikteam tatsächlich beantworten muss, bevor es ausliefert.
Bis dahin ist die faire Zusammenfassung des 20. November eng gefasst und es wert, präzise formuliert zu werden. Ein Allzweckmodell, vier Tage alt, setzte sich an die Spitze eines Leaderboards für echte Roboter, indem es 22 % seiner Aufgaben abschloss, bei 122 Blindvergleichen, vor einem Feld, das die für diesen Arm entwickelten spezialisierten Policies umfasst – und die Website, die das Ranking veröffentlichte, sagt als erste, dass der Vorsprung im Rauschen liegt.
In diesem Artikel verglichen1
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
