AgiBots Modell GO-3 Preview brachte einen Roboter im Convenience Store in fünf Tagen von 28,6 auf 85,7 Prozent Erfolg und wird zum Jahresende offen

Bei seinem neuen Robotik-Foundation-Model stellt AgiBot in den Vordergrund, was es nach Arbeitsbeginn noch lernt. Mitgründer und Co-Präsident Yao Maoqing hat GO-3 Preview am 29. Oktober auf dem Innovation Day des Unternehmens vorgestellt. In einem Convenience Store in Shanghai hat ein G2 mit dem neuen System und dem Agenten-Framework Genie Master Fertiggerichte verpackt, Waren geholt und Regale aufgefüllt. Laut AgiBot stieg die Erfolgsquote über den gesamten Ablauf von 28,6 Prozent am ersten Tag auf stabile 85,7 Prozent nach fünf Tagen, ohne menschliche Vorführungen und ohne manuelles Nachjustieren.

Das Produkt ist diese Schleife. AgiBot kombiniert GO-3 mit Genie Evolver, einem Post-Training-System, das rund 100 echte Roboter mit physikalischer Simulation und World Models verbindet, und mit Genie Master, mit dem ein eingesetzter Roboter lange Aufgaben selbst organisiert und behält, was er vor Ort lernt. „Eine Demo testet die Obergrenze einer einzelnen Fähigkeit, Produktivität testet die Untergrenze des Systems“, sagte Yao laut Sina Tech. AgiBot will GO-3 Preview und Genie Master bis Ende 2026 vollständig als Open Source veröffentlichen.

Beide Werte aus dem Laden sind Siebtel

28,6 und 85,7 Prozent sind genau 2/7 und 6/7. Das passt zu sieben kompletten Durchläufen am Tag oder einem Vielfachen davon, der Zuwachs über fünf Tage könnte also auf ein paar Dutzend Versuchen beruhen. Hält die Kurve über Hunderte Durchläufe, wird das Lerntempo im Einsatz zur Zahl, an der du Robotermodelle vergleichst; hält sie nicht, bleibt das Ergebnis aus dem Laden eine Demo mit Kurve.

AgiBots andere Lern-Demos zeigen in dieselbe Richtung. Bei einer einzelnen Aufgabe lag Online-Lernen laut Unternehmen 17,7 Prozentpunkte über klassischem Supervised Fine-Tuning (SFT). Nach vier Stunden Online-Training schlug ein Roboter beim Tisch-Curling den Durchschnitt der getesteten Menschen und zog fünf Blöcke hintereinander aus einem Turm, ohne dass er umfiel.

Mehr Daten und ein größeres Modell heben die Zero-Shot-Kurve

AgiBot zeigte auch Skalierungsergebnisse aus eigenen Experimenten. Mehr Trainingsdaten hoben die durchschnittliche Zero-Shot-Erfolgsquote über 100 Aufgaben aus 20 Fähigkeitstypen von 13,4 auf 56,4 Prozent, ein größeres Modell von 56,2 auf 73,2 Prozent, berichtete Sina Tech. Die Architektur, die AgiBot WRAM (World Reasoning Action Model) nennt, modelliert Verstehen, Vorhersage und Handeln gemeinsam und lernt aus menschlichen Egoperspektive-Videos und Roboter-Trajektorien, so Interesting Engineering. AgiBot sagt, sie komprimiere die visuelle Eingabe auf ein Sechzehntel der Tokens von DINOv3, senke den Fehler bei der Aktionsrekonstruktion um 35 Prozent, und GO-3 Preview führe die Ranglisten RoboDojo, RoboTwin und RoboColiseum an.

Die größere Stichprobe kommt bald. AgiBot hat angesetzt, dass sechs G2 am 2. und 3. November 24 Stunden lang in einem echten Convenience Store arbeiten, über vier Schichten und live übertragen. Ein Tag echter Schichten bringt weit mehr als sieben Versuche.