Generalists GEN-1.5 lernt Roboteraufgaben aus einer Vorführung von 3 bis 12 Sekunden und schafft 59 Prozent ohne Feinabstimmung

Das US-Unternehmen Generalist AI hat am 19. August 2026 sein neues Robotik-Foundation-Modell GEN-1.5 vorgestellt und erklärt, es könne eine neue Aufgabe aus einer einzigen Vorführung von 3 bis 12 Sekunden lernen, ohne Gradientenschritte und ohne Feinabstimmung. Über 10 Manipulationsaufgaben erreichte das Modell mit einem Beispiel im Kontext eine durchschnittliche Erfolgsquote von 59 Prozent bei einer Standardabweichung von 10 Prozentpunkten, wie das Unternehmen in einem Forschungsbeitrag mitteilte.

Mit etwas Training steigen die Werte deutlich. Zehn Gradientenschritte auf rund 5 Minuten Daten je Aufgabe, etwa 50 Vorführungen, hoben die durchschnittliche Erfolgsquote auf 83 Prozent bei 9 Punkten Standardabweichung. Im Extremfall eines einzigen Schritts auf Daten aus einer Minute lag die Quote bei einer nicht trainierten Aufgabe bei 66,5 Prozent. Zehn Schritte veränderten die Modellgewichte um weniger als 0,15 Prozent, was Generalist als Umordnung vorhandenen Wissens deutet, nicht als Aufbau neuer Repräsentationen. Das Anpassungsverfahren sei nicht eigens abgestimmt worden.

GEN-1.5 ist laut Generalist ein großes multimodales Modell, das Video mit 30 Sekunden Gedächtnis sowie weitere Sensor-, Sprach- und proprietäre Signale verarbeitet und Bewegungsbahnen mit 100 Hertz ausgibt. Das Unternehmen nennt das Verfahren physisches Prompting. Sensomotorische Beispiele werden in das Kontextfenster gelegt, so wie Textbeispiele in den Prompt eines Sprachmodells. Die Vorführung kann ein Mensch mit einem Paar handgeführter Greifer aufzeichnen, oder sie stammt aus früheren Ausführungen des Roboters; per Drag and Drop wählt der Nutzer, welche Beispiele in den Kontext gelangen. Zu den gezeigten Aufgaben zählen einen Stift in einen Becher stecken, Schrauben ausschütten, Reißverschlüsse bedienen, den Deckel eines Glases abdrehen, eine Federmappe öffnen, einen Würfel in eine Schale fegen, ein Vakuumpad lösen und Geld aus einer Brieftasche nehmen.

Generalist betont, die Fähigkeit nicht gezielt angelegt zu haben. Es habe weder Architekturänderungen für kontextbasiertes Lernen noch eine Meta-Lernschleife oder Hilfsziele gegeben. Das Vortraining läuft seit mehr als acht Monaten ununterbrochen, und der Vorhersagefehler für die nächste Aktion auf einem zurückgehaltenen Validierungssatz sank über drei Trainingsphasen weiter. Wo diese Kurve abflacht, sei noch nicht zu erkennen, schreibt das Team. Zudem ließ sich eine vollständig im Simulator aufgezeichnete Vorführung als Prompt für einen realen Roboter verwenden, obwohl das Vortraining keine Simulationsdaten enthielt. Beispiele für beidhändiges Arbeiten nach einhändigen Vorführungen und das Greifen unbekannter Becher und Flaschen blieben ohne Erfolgsquoten.

Generalist zieht den Vergleich zu Sprachmodellen. Das Unternehmen zitiert GPT-3 mit rund 45 Prozent durchschnittlicher Genauigkeit bei einem Beispiel und bis zu etwa 65 Prozent bei rund 100 Beispielen und stellt die 59 Prozent von GEN-1.5 als vergleichbares frühes Signal dar. Nach eigener Kenntnis sei GEN-1.5 das erste Modell, das allgemein lernt, eine breite Palette geschickter Aufgaben im geschlossenen Regelkreis aus einer oder wenigen Vorführungen auszuführen.

Es ist das dritte Modell der Reihe. GEN-0 vom 4. November 2025 sollte Skalierungsgesetze für Roboterlernen belegen. GEN-1 vom 2. April 2026 wurde mit mehr als 500.000 Stunden menschlicher Interaktionsdaten aus tragbaren Geräten und ohne Roboterdaten vortrainiert und erreichte nach Firmenangaben nach etwa einer Stunde Roboterdaten je Aufgabe 99 Prozent. Am 4. Juni 2026 meldete Generalist 400 Millionen Dollar unter Führung von Radical Ventures, mit 8VC, Union Square Ventures, Hanabi Capital und Norwest sowie den Altinvestoren NVIDIA, Boldstart Ventures, Spark Capital, Bezos Expeditions und NFDG. Insgesamt flossen mehr als 500 Millionen Dollar, eine Bewertung nannte das Unternehmen nicht.

Ein Konkurrent kam einen Tag zuvor mit einer ähnlichen Botschaft. Skild AI stellte am 18. August 2026 S1 vor, ein von Grund auf als kontextbasierter Lerner gebautes Modell, das nach einem einzigen Video ohne Feinabstimmung bekannte und unbekannte, kurze und lange Aufgaben ausführe. Skild nannte bei 100.000 Trainingsstunden 96 Prozent Erfolg bei bekannten und 66 Prozent bei unbekannten Aufgaben sowie Aufgaben von bis zu 10 Minuten Dauer. Aufgaben, Messgrößen und Vorführformate unterscheiden sich, die Werte sind daher nicht direkt vergleichbar. Physical Intelligence, Google DeepMind und NVIDIA setzen stärker auf großes Vortraining und Feinabstimmung.

Für Europas Industrie ist die Richtung bedeutsam. Gerade im Mittelstand scheitert Automatisierung oft an Losgrößen, die zu klein sind, um wochenlange Programmierung zu rechtfertigen. Ließe sich eine einfache Aufgabe durch eine einmalige Vorführung beibringen, sänken die Umrüstkosten einer Roboterzelle auf die Zeit, die ein Werker zum Vormachen braucht. Integratoren und Roboterhersteller in Deutschland müssten dann entscheiden, ob sie solche Modelle lizenzieren oder eigene Datenbestände aufbauen. Zugleich verlangt die europäische Maschinenregulierung nachvollziehbares Verhalten, was mit lernenden Modellen schwerer zu belegen ist.

Die Grenzen nennt Generalist selbst. Die Aufgaben seien einfach und kurz, die Erfolgsquoten bescheiden, im Kontext gelernte Fähigkeiten derzeit spröder als feinabgestimmte, wenn auch gegenüber manchen Störungen robust. Versuchszahlen je Aufgabe, die Zusammensetzung der Vortrainingsdaten und unabhängige Tests fehlen ebenso wie Kunden, Preise und ein Starttermin. 59 Prozent liegen weit unter der Zuverlässigkeit, die eine Fabrik verlangt.