GPT-6 Astra schlägt die Roboter-KIs, aber nur solange die Simulation stillsteht

Darum geht es

OpenAI hat sein Robotikteam aufgelöst, und zwar zum zweiten Mal nach 2020. Das berichtete Fortune am 13. November 2026 exklusiv, OpenAI hat es auf Nachfrage bestätigt. Die Begründung lautet sinngemäß: Allgemeine Spitzenmodelle wie GPT-6 Astra steuern Roboter inzwischen selbst, ein eigenes Team für Robotermodelle sei deshalb nicht mehr der schnellste Weg. Die Forschung berichtet jetzt an Forschungschef Mark Chen. Hardware und angewandte Robotik gehören zur Applied-Sparte unter Präsident Greg Brockman. Die Humanoiden-Demo ist laut OpenAI weiter für 2027 geplant.

Als Beleg dient eine Nvidia-Studie mit dem Namen Astranomy. Darin löst Astra 74,8 Prozent der Aufgaben im Benchmark RoboLab-120, das beste Spezialmodell schafft 51,0 Prozent. Diese Zahl wird gerade überall weitergereicht. Wir haben die Primärquelle und die Rangliste gelesen und die Zahlen neben die offenen Robotermodelle gestellt. Unsere These: Das große Modell ist der bessere Planer, die kleinen Modelle bleiben die schnellen Hände.

Was Nvidia tatsächlich gemessen hat

RoboLab-120 besteht aus 120 simulierten Greif-und-Ablege-Aufgaben. Gesteuert wird ein Franka-Arm in der DROID-Konfiguration. Nvidias Seattle Robotics Lab hat Astra zero-shot eingesetzt, also ohne jedes Robotertraining, und zwar in drei Varianten:

• Direct: Bei jedem Schritt geht ein neuer API-Aufruf ohne Gedächtnis an das Modell.
• Agentic: Astra läuft in einer dauerhaften Codex-Sitzung mit Verlauf und optionalen Werkzeugen.
• Orchestrated: Das kleinere Robotermodell Cosmos3-Nano-Policy schlägt jeweils 15 Bewegungsschritte vor. Astra prüft sie und greift bei Bedarf ein.

Das Kleingedruckte steht in den Versuchsbedingungen. Wörtlich heißt es: Die Steuerung läuft mit 15 Hz, „die Simulation ist während der Inferenz angehalten“. Es gab kein Zeitlimit und keine Begrenzung der Versuche, und pro Aufgabe liefen nur 5 Episoden. Die offizielle Rangliste verlangt 10 oder 25 Episoden pro Aufgabe. Dort ist Astra auch gar nicht eingetragen, die Werte stammen aus Nvidias eigener Auswertung. Ob die Simulation auch bei den Einreichungen für die Rangliste pausiert, geht aus der Ranglisten-Seite nicht hervor. Die Spalten für die Latenz sind dort leer, und neue Einreichungen sind derzeit ausgesetzt.

Eine Ablation (ein Versuch, bei dem gezielt ein Baustein weggelassen wird) zeigt außerdem: Auf einer Auswahl von 30 Aufgaben steigt Direct von 49,3 auf 72,7 Prozent, sobald das Modell drei statt nur ein Kamerabild bekommt. Ohne Angaben zur Geometrie von Greifer und Kamera fällt der Wert auf 19,3 Prozent. Der Aufbau um das Modell herum, das sogenannte Harness, entscheidet also massiv mit.

Dieselbe Rangliste, ehrlich nebeneinander

Ein VLA (Vision-Language-Action-Modell) übersetzt Kamerabild und Sprachbefehl direkt in Bewegungen. Ein WAM (World Action Model) sagt zusätzlich voraus, wie sich die Szene verändern wird. Die Latenzwerte stammen aus Nvidias Studie und aus Runways technischem Bericht. Laut Nvidia steht der Astra-Wert von 1,96 bis 36,40 Dollar für erfolgreiche Episoden, an einer anderen Stelle der Seite heißt es nur „pro Episode“.

Damit gerät die Schlagzeile ins Wanken. Dass allgemeine Modelle die Spezialisten schlagen, stimmt zwar. Astra ist aber nicht einmal das beste allgemeine System. Apples Paper zu AMP1 vom 9. November kommt mit Gemini 4 Argon auf 85,6 Prozent und mit Claude Opus 5.5 auf 82,8 Prozent. In Nvidias eigenem Modellvergleich erreichte Opus 5.5 auf der 30-Aufgaben-Auswahl nur 25,3 Prozent, Apples Harness holt aus demselben Modell 84,7 Prozent. Laut den Apple-Autoren arbeitet Astranomy anders als AMP1: in kleinen Einzelschritten, ohne Codeausführung und ohne veränderbares Szenenmodell. Unsere Einschätzung: Ob das Gerüst gut gebaut ist, entscheidet hier mindestens so viel wie die Wahl des Modells.

Der Preis der Denkpausen

Nvidia schreibt selbst, dass allgemeine Modelle für den echten Einsatz unter „langer Latenz“ leiden, also unter langen Wartezeiten bis zur Antwort. Bei Direct entfallen 97 Prozent der geschätzten Laufzeit auf das Nachdenken. Für eine Joghurt-Aufgabe nennt Nvidia rund vier Minuten Gesamtzeit, davon nur 5,2 Sekunden Bewegung. Der Kommentar der Studie dazu: „Astra ist fähig, aber es lässt sich Zeit.“ Bei maximalem Denkaufwand steigt die Latenz pro Aufruf von 17 auf 45 Sekunden, die Erfolgsquote aber nur von 72,7 auf 74,5 Prozent.

Überschlag für eine Achtstundenschicht (eigene Rechnung, grob): Bei vier Minuten pro Aufgabe schafft Astra rund 120 Aufgaben pro Schicht. Im Agentic-Modus kostet das etwa 4.370 Dollar, im Mischbetrieb rund 2.130 Dollar, im Direct-Modus rund 235 Dollar. Runway rechnet für Praxis-1 mit einer gemieteten H100 für 3,95 Dollar pro Stunde, das ergibt rund 32 Dollar pro Schicht. Dabei ist es egal, wie viele Aufgaben das Modell erledigt. Zum Vergleich setzt Artificial Analysis menschliche Arbeit mit 37,81 Dollar pro Stunde an, also rund 300 Dollar pro Schicht. Hinzu kommt der eigentliche Haken: In einer echten Fabrik steht die Welt während der Denkpause nicht still.

Jenseits von RoboLab: echte Arme, schwächere Werte

In der Nvidia-Studie wurde kein echter Roboter getestet. Andere Gruppen haben das getan, und auf anderen Benchmarks sieht das Bild durchwachsener aus:

• RoboQuest (Nanyang Technological University, 10 simulierte Aufgaben für mobile Roboter, bei denen fehlende Informationen erst erkundet werden müssen): Astra liegt vorn, schafft aber nur 23,2 Prozent für 11,29 Dollar pro Episode. Die Autoren bemängeln, dass Astra oft aufhört, bevor die Aufgabe erledigt ist.
• LIBERO-GeoMotion (Zhou et al.): 11,1 Prozent zero-shot bei Aufgaben, die eine genaue Ausrichtung im Raum verlangen. Auf RoboDojo waren es 26,92 Prozent, auf RoboTwin 2.0 dagegen 76,0 Prozent. Die Autoren sehen eine „deutliche Lücke zwischen semantischem Denken und physischer Ausführung“.
• AA-Robotics (Artificial Analysis, echter 6-Achs-Arm): Astra führte zum Start mit 69,4 Punkten, inzwischen liegt Claude Fable 5.2 mit 75 Punkten vorn. Astra brauchte im Schnitt 30 Minuten und 16,36 Dollar pro Aufgabe, ein Mensch braucht 20 Sekunden. Nur 45 Prozent der Griffe gelangen.
• Runway auf dem echten YAM-Arm: Bei drei Aufgaben war Astra im Schnitt 15,6-mal langsamer und 51-mal teurer pro erledigter Aufgabe als Praxis-1. Die Werte liegen bei 4:13 gegen 0:16 Minuten und 1,87 gegen 0,04 Dollar. Erfolgsquoten nennt Runway dafür nicht, und die Messung ist eine Herstellerangabe.

Ein Gegenbeispiel aus der Praxis fehlt nicht: Luma AIs Agent ZAP auf Basis eines offenen Qwen-Modells mit 27 Milliarden Parametern erreicht am echten Roboter 96,7 Prozent. Laut Paper ist das genauso gut wie Astra im selben Harness, dauert aber 6,2 statt 19 Sekunden pro Schritt und kostet etwa 0,29 statt 4,87 Dollar pro Aufgabe.

Mischbetrieb: Planer oben, Hände unten

Die aufschlussreichste Zeile der Studie ist für uns Orchestrated: 66,5 Prozent für 17,72 Dollar, also fast so gut wie Direct, mit höherem Teilpunktwert (79,1 gegen 76,7) und für die Hälfte der Agentic-Kosten. Cosmos allein schafft 36,8 Prozent. Astra greift nur in 14,5 Prozent der Simulationsschritte ein. In 64,4 Prozent dieser Eingriffe korrigiert es einen misslungenen Griff, in 20,2 Prozent ein falsches Ziel oder einen falschen Plan. Das kleine Modell liefert die Bewegung, das große bemerkt Fehler.

Ganz ehrlich ist der Mischbetrieb aber noch nicht: Astra prüft weiterhin jeden Vorschlag, und das dauert 11,5 Sekunden pro Entscheidung. Die Simulation wartet also auch hier. Konsequent umgesetzt hat das Prinzip Gemini Robotics 2.5 von Google DeepMind. Dort überwacht ein Modell für räumliches und körperbezogenes Denken (Gemini Robotics ER) den Ablauf, während das VLA Arme und Hände steuert. In den Mercedes-Werken Kecskemét und Sindelfingen sortierte ein Apollo-2-Humanoide auf diese Weise Metallhalterungen aus Kisten in Behälter, und zwar in der Reihenfolge, in der sie später am Band gebraucht werden (Kitting). Laut DeepMind gelangen 96 Prozent der Griffe, an echten Produktionslinien und in Echtzeit. Unabhängig geprüft ist der Wert nicht, und das Modell bekommen nur Partner.

Auch die offenen Modelle sind auf dieses Muster zugeschnitten. π0.5 antwortet in rund 47 Millisekunden. Praxis-1 liefert pro Aufruf 1,6 Sekunden Bewegung und passt in seiner NVFP4-Fassung (ein 4-Bit-Zahlenformat von Nvidia) mit 17,5 GB auf eine Workstation-Karte. Das japanische AIRoA-0 baut auf π0.5 auf und wurde mit 16.151 Stunden menschlicher Greifaufnahmen trainiert. Guanya Shi von der Carnegie Mellon University sagte Fortune entsprechend, man brauche weiterhin kleinere Modelle, die direkt auf dem Roboter laufen, weil die großen langsam sind und in der Cloud laufen.

Einordnung

Belegt ist: Allgemeine Modelle lösen in einer pausierten Simulation mehr Greifaufgaben als jedes trainierte Robotermodell, und das nicht nur bei OpenAI. Apples AMP1 mit Gemini liegt sogar höher. Nicht belegt ist, dass Astra „den Roboter steuert“, wie es in OpenAIs Begründung anklingt. Dafür sind 13 bis 18 Sekunden Denkpause, bis zu 36 Dollar pro Aufgabe und eine Welt, die stillstehen muss, zu weit von einer Werkhalle entfernt. Fortune weist zudem darauf hin, dass OpenAI unter Kostendruck steht: Laut dem Bericht verlor das Unternehmen im letzten Quartal 10,9 Milliarden Dollar, und Altman soll Nebenprojekte gestrichen haben. Die Umstrukturierung kann also auch mit Sparzwängen zu tun haben.

Unsere Einschätzung: Die Zukunft liegt im Mischbetrieb. Ein großes Modell plant, überwacht und erkennt Fehlgriffe, ein kleines Modell auf dem Roboter bewegt die Hände. Russ Tedrake (MIT) betonte gegenüber Fortune, dass Roboterfirmen mit Erfahrung aus dem echten Einsatz weiter im Vorteil sind. Pete Florence (Generalist) hält offen, welcher Ansatz sich durchsetzt. Messen sollte man solche Systeme künftig mit laufender Uhr, und Ranglisten sollten Latenz und Kosten ausweisen. Solange diese Spalten leer bleiben, zeigt die Prozentzahl vor allem, wie gut ein Modell nachdenkt, und kaum, wie gut es arbeitet.