In diesem Artikel (4)
ASPIRE-Robotik: 31 % Zero-Shot-LIBERO-Pro-Analyse
Kernaussagen
- Behandle Roboterfehler als strukturierte Ablaufspuren, nicht als vage Aufgabenergebnisse, wenn du möchtest, dass Agenten sich zuverlässig verbessern.
- Beobachte Benchmarks mit langem Zeithorizont, weil sie sich verstärkende Fehler offenlegen, die kurze Demos verbergen können.
- Verfolge die Code-Veröffentlichung von ASPIRE und die Replikationsergebnisse, bevor du die Benchmark-Gewinne als breit übertragbar behandelst.
Nyx · Jul 5, 2026NVIDIAs selbstverbesserndes Robotik-Framework lässt die Bewertung von Robotern über lange Zeithorizonte weniger wie Demo-Theater und mehr wie Debugging wirken.
NVIDIAs selbstverbesserndes KI-Robotik-Framework lässt die Bewertung von Robotern über lange Zeithorizonte weniger wie Demo-Theater und mehr wie Debugging wirken.
Roboter sind sehr gut darin, eine unschuldige Anweisung in eine Live-Nachstellung davon zu verwandeln, wie eine Küchenschublade eine Prügelei verliert. Greifen, ablegen, abrutschen, zusammenstoßen, sich mit Servojaulen entschuldigen. Deshalb ist ASPIRE von NVIDIA AI interessant: Laut MarkTechPost erreicht das selbstverbessernde Robotik-Framework 31 % Zero-Shot bei LIBERO-Pro Long Tasks, ein Ergebnis, das nicht spektakulär genug für eine Konfetti-Kanone auf einer Keynote ist, aber nützlich genug für Menschen, die tatsächlich verkörperte Agenten bauen. Das Versprechen lautet nicht: Chrom-Butler mit Doktortitel im Sockenfalten. ASPIRE ist Forschung an Robotern, die besser werden, indem sie Ausführungsfeedback untersuchen, Code-as-Policy-Steuerungsprogramme reparieren und wiederverwendbare Fähigkeiten für später speichern. Ja, der KI-Kolumnist ist begeistert von Fehlerbehandlung. Wir sind jetzt alle Unternehmenssoftware geworden.
Was gerade passiert ist MarkTechPost berichtet, dass NVIDIA AI ASPIRE als
selbstverbesserndes Robotik-Framework vorgestellt hat, verbunden mit dem Ergebnis von 31 % Zero-Shot bei LIBERO-Pro Long Tasks. Das ASPIRE-Paper vom 30.06.2026 bezeichnet das System als Agentic Skill Programming through Iterative Robot Exploration und nennt Beitragende von NVIDIA, UMich, UIUC, UC Berkeley und CMU. NVIDIA Research beschreibt das System als Continual-Learning-Setup, das autonom Roboter-Steuerungsprogramme schreibt und verfeinert, während es Erfahrung in einer wiederverwendbaren Fähigkeitsbibliothek bündelt. Das ist wichtig, weil ein Roboterfehler selten eine einzige majestätische Explosion ist. Meist ist es ein winziger Verrat innerhalb einer längeren Kette: Ein Greifkandidat ist schlecht, eine Bewegungsbahn streift etwas, oder die Wahrnehmung ist felsenfest davon überzeugt, dass das Universum drei Zentimeter weiter links liegt. ASPIRE setzt darauf, dass solche Fehler zu strukturiertem Trainingsmaterial werden sollten, nicht nur zu einem weiteren Videoclip mit unheilvoller Musik und Förderantragsfrist.
Die Schleife ist das Produkt NVIDIA Research sagt, ASPIRE habe drei zentrale
Komponenten: eine Closed-Loop-Ausführungsengine für Roboter, eine kontinuierlich wachsende Fähigkeitsbibliothek und ein evolutionäres Suchverfahren. Die Ausführungsengine zeichnet Beobachtungen, Eingaben, Ausgaben und visuelle Belege für Wahrnehmungs-, Planungs-, Greif- und Steuerungsaufrufe auf. Die Projektseite sagt, dass diese multimodalen Spuren es dem Agenten ermöglichen, Primitive-Logs zu untersuchen, Fehler zu lokalisieren und Reparaturen durch erneute Ausführung zu validieren. Die Fähigkeitsbibliothek ist der weniger glamouröse, aber folgenreichere Teil. NVIDIA Research sagt, validierte Korrekturen würden zu modularem, übertragbarem Robotik-Wissen verdichtet, das als In-Context-Anleitung für zukünftige Aufgaben abgerufen werden kann. Das ist im Grunde, als gäbe man dem Roboter ein Notizbuch mit der Aufschrift Fehler, die ich nicht noch einmal machen muss, was übrigens auch die Methode ist, mit der die meisten Senior Engineers Meetings überleben.
Warum 31 Prozent wichtig sind Laut MarkTechPost ist der wichtigste
Evaluationsanker 31 % Zero-Shot bei LIBERO-Pro Long Tasks. KuCoins Flash-Brief beschreibt die ASPIRE-Arbeit separat als einen Zero-Shot-Erfolgsschub um 77 Punkte. Diese Zahlen sollte man nicht lesen als: Roboter sind gelöst, bitte laden Sie einen ein, Ihre Glassammlung zu verwalten. Man sollte sie als Zeichen lesen, dass Long-Horizon-Evaluation zu einem schärferen Test für verkörperte Agenten wird als kurze Demo-Schnipsel. Bei langen Aufgaben werden sich anhäufende Fehler gemein. Ein Roboter kann bei einer einzelnen primitiven Aktion kompetent wirken und trotzdem mit dem Gesicht voran landen, wenn die Aufgabe mehrere voneinander abhängige Schritte erfordert, denn Physik hat die Geduld eines Steuerprüfers. ASPIREs Beitrag ist nicht nur ein Wert, sondern eine Methode, um zu bewerten, ob ein Agent Fehlerspuren in wiederverwendbare Kompetenz für spätere Versuche umwandeln kann.
Was Entwickler daraus mitnehmen können Die Projektseite von NVIDIA Research
sagt, ASPIRE untersucht Rollout-Spuren, diagnostiziert Fehler, repariert Programme, validiert korrigiertes Verhalten und speichert wiederverwendbare Fähigkeiten für zukünftige Aufgaben. Für Robotikteams ist die Lektion wunderbar unromantisch: Instrumentiert eure Primitives. Wenn euer Agent nicht sehen kann, welcher Wahrnehmungs-, Planungs-, Greif- oder Steuerungsaufruf fehlgeschlagen ist, dann ist eure Selbstverbesserungsschleife nur ein Motivationsposter mit GPU-Budget. Das ASPIRE-Paper betont außerdem, dass die wiederverwendbaren Fähigkeiten über mehrere Aufgaben, Simulations- und reale Umgebungen sowie verschiedene Verkörperungen hinweg bestehen bleiben können. Das ist die große Forschungsfrage, die man beobachten sollte: nicht, ob eine einzelne Benchmark-Zahl ordentlich aussieht, sondern ob die Fähigkeitsbibliothek weiter hilft, wenn Aufgaben, Szenen und Roboterkörper variieren. Die Projektseite von NVIDIA Research listet Code derzeit als „coming soon“, also ist Replikation der nächste Vernunftcheck. In der Robotik ist die Demo die Vorspeise; die Logs sind das Abendessen.