ACE-Brain-0.6 schlägt GPT-6 Astra in sechs von acht Grounding-Tests, liegt beim öffentlichen Durchschnitt über sieben Benchmarks aber nur 0,85 Punkte vorn

ACE Robotics hat am 19. Oktober ACE-Brain-0.6 veröffentlicht, ein 9B-Roboter-Foundation-Modell, das nach Angaben des Unternehmens für visuelles räumliches Grounding entwickelt wurde. In den von ACE berichteten Tests schlägt es GPT-6 Astra von OpenAI in sechs von acht Grounding-Evaluierungen, unter anderem mit 5,45 Punkten Vorsprung bei Where2Place und 5,27 Punkten bei RoboSpatial. Das Modell folgt auf ACE-Brain-0.5 und basiert auf Qwen3.5-9B.

Die knappere Zahl ist der öffentliche Durchschnitt über sieben Benchmarks: 74,53 für 0.6 gegen 73,68 für Astra, ein Vorsprung von 0,85 Punkten. ACEs Scaling-Experiment führt den Gewinn auf die Datenpipeline zurück. Bei konstanter Architektur und Trainingsmethode hob die Vergrößerung des Korpus von 260.000 auf rund 1 Million Beispiele diesen Durchschnitt von 69,3 auf 74,5, annähernd log-linear mit etwa 2,4 Punkten je Verdopplung. Mehr Beispiele der vorhandenen Datentypen brachten weniger als einen Punkt. Der Zuwachs ging mit neuen Szenen, neuen räumlichen Beziehungen und neuen Formen der Supervision einher. Der prüfenswerte Teil ist damit die Pipeline, nicht das 9B-Modell.

Eine Million Beispiele, 2,7 Millionen Frage-Antwort-Paare

Der Trainingssatz umfasst rund 940.000 verschiedene Bilder und 2,7 Millionen Frage-Antwort-Paare. ACE kombinierte mehr als 30 Familien von Open-Source-Roboterdatensätzen mit privaten egozentrischen Daten, menschlichen First-Person-Interaktionsdaten, dichten Objekt- und Teileannotationen sowie 3D-Raumdaten. Für Manipulationsvideos wählt die Pipeline Schlüsselbilder anhand des Greiferzustands und der Bewegungsamplitude, baut automatisch ein Vokabular der Szenenobjekte auf und nutzt Grounding DINO und SAM 3 für Lokalisierung, Regionserkennung und semantische Korrektur. Anschließend erzeugt sie Frage-Antwort-Paare für Referenzierung, Zählung, räumliche Beziehungen, Interaktionsorte und fehlende Zielobjekte. Annotationsprüfungen, Antwortausgleich und der Ausschluss von Evaluationsdaten sollen falsche Supervision und Shortcut-Learning begrenzen. Im Training bleibt der Vision-Encoder eingefroren, und nur die Parameter des Sprachmodells werden per überwachtem Feintuning angepasst, wie ACE mitteilt.

Laut der Analyse von ACE hat sich Astras visuelles Grounding gegenüber GPT-5.5 deutlich verbessert, doch feine geometrische Lokalisierung und komplexe räumliche Beziehungen bringen das Modell noch aus dem Tritt, etwa wenn es „die freie Stelle vor einem Objekt“ in einem angrenzenden Bereich platziert. Die achte Evaluation ist die eigene des Unternehmens: RobotGrounding mit 2.591 Fragen in 14 Aufgabentypen, darunter Ziellokalisierung, Erkennung kleiner Objekte, Zählung mehrerer Instanzen, Beurteilung fehlender Zielobjekte und Korrespondenz zwischen Kameras. Dort liegt ACE-Brain-0.6 mit 3,03 Punkten vor Astra, enger als die Vorsprünge bei Where2Place und RoboSpatial, beides öffentliche Benchmarks. ACE verweist auf die Fälle mit fehlendem Zielobjekt, in denen das Modell melden soll, dass ein Objekt fehlt, statt eine plausible, aber falsche Position auszugeben. Das Unternehmen verglich 0.6 außerdem mit Claude Opus 5.5, Gemini 4 Argon, Modellen von Alibaba DAMO Academy und BAAI sowie mehreren Open-Source-Modellen für Embodied AI; laut ACE lag 0.6 in diesen Vergleichen vorn.

Alle Werte in diesem Artikel stammen von ACE. Die beiden öffentlichen Benchmarks, bei denen Astra vorne lag, werden in den Berichten von Leiphone, Xinmin Evening News und IT Home nicht genannt, und die Hugging-Face-Seite von ACERobotics listete am 19. Oktober ACE-Brain-0 und ACE-Brain-0.5, ohne ACE-Brain-0.6.