NVIDIA stellt ASPIRE als Open Source bereit: Zeit pro Zauberwürfel-Drehung sinkt in drei Episoden von 17 auf 3,1 Minuten

Guanzhi Wang und Jim Fan vom GEAR-Labor von NVIDIA haben am 16. Oktober bekanntgegeben, dass ASPIRE v1.0 als Open Source auf GitHub verfügbar ist. Das Labor hatte ASPIRE erstmals im Juni 2026 veröffentlicht, die Ergebnisse mit dem echten Roboter sind neu.

Was der Agent lernt, wird als Code und Text gespeichert statt in Modellgewichten, und der Gewinn zeigt sich bei Zeit und Token-Kosten. Über drei Episoden am echten Roboter sank die Ausführungszeit pro Seitendrehung des Zauberwürfels von 17 auf 3,1 Minuten, und die Tokens pro Drehung gingen um 82 Prozent zurück, während ASPIRE Skills ansammelte.

Laut Projektseite schreibt und verfeinert ASPIRE Robotersteuerungsprogramme nach dem Code-as-Policy-Prinzip anhand von Ausführungsfeedback: Es untersucht die Ablaufprotokolle, repariert Programme und speichert wiederverwendbare Skills. Eine Closed-Loop-Ausführungsengine zeichnet für jeden Wahrnehmungs-, Planungs- und Steuerungsaufruf Beobachtungen, Eingaben und Ausgaben auf, und eine Skill-Bibliothek verdichtet geprüfte Korrekturen zu Anleitungen, die im Kontext abgerufen werden. Die README nennt den Prozess kontinuierliches Lernen, bei dem „Training“ das Verfeinern von Skills ist und das „trainierte Modell“ ein Repository sensomotorischer Skills. Die Juni-Version enthielt Sim-to-Real-Demos zum Abräumen von Tischen.

Ein symbolischer Löser berechnet die Züge, den Rest erledigt der Agent

Am echten Roboter löste ASPIRE mit GPT-6 Astra einen Zauberwürfel auf einem zweiarmigen YAM-Roboter mit weichen Greifern; laut Wang führte es eine Lösung mit 16 Zügen aus und koordinierte beide Arme, um den Würfel zu greifen, zu drehen und zu bewegen. „Keine Teleoperations-Demos und kein Simulationstraining nötig“, schrieb er. Laut Betriebshandbuch braucht der Agent „einen verfügbaren symbolischen Würfellöser, um eine Lösung für den aktuellen Verdrehungszustand zu berechnen und zu prüfen“; seine eigene Arbeit sind Wahrnehmung, Greifen und Drehen. Die Projektseite gibt an, dass die Werte pro Drehung über die gesamte Episode gemittelt sind, einschließlich Fehlversuchen und Wiederherstellung. Bei diesen Durchschnittswerten käme eine Lösung mit 16 Zügen im Tempo der dritten Episode auf rund 50 Minuten (16 x 3,1), im Tempo der ersten auf etwa 4,5 Stunden (16 x 17); das sind Mittelwerte, keine gemessene Lösungszeit.

Dieselben 10 LIBERO-Pro-Aufgaben ergeben 15 oder 99 Prozent, je nach Basismodell

Das Team testete ASPIRE mit GPT-6 Astra, Claude Opus 5.5, Claude Sonnet 5.5, Claude Fable 5.1 sowie Open-Weight-Modellen wie Kimi K3 und Qwen 3.8 Max und hielt dabei Umgebung, Roboter-Programmierschnittstelle und Evaluationsprotokoll konstant. Bei 10 LIBERO-Pro-Aufgaben reicht die Erfolgsquote von 15 Prozent mit GPT-6 Luna bis 99 Prozent mit Claude Opus 5.5, und die stärksten Modelle sind nicht die teuersten; Sonnet 5.5 liegt mit 12 Dollar pro Aufgabe auf der Kosten-Leistungs-Grenze. Fan schrieb, das Labor habe an dem Tag, als Astra erschien, das Backend-Modell gewechselt und die Benchmarks über Nacht bei rund 99 Prozent gesättigt: „Eine steigende Flut an der Spitze hebt alle Boote, aber Astra war bei vielen Aufgaben ein Tsunami von 0 auf 1.“ In der Simulation liegen die Ergebnisse bei 99 Prozent für die 80 LIBERO-Pro-Aufgaben und 100 Prozent für 7 repräsentative Robosuite-Aufgaben und 2 repräsentative BEHAVIOR-1K-Aufgaben.

Die drei neuen Rezepte für den echten Roboter, darunter eine Tablette in ein Fläschchen zu stecken und den Deckel zuzuschrauben, wurden aus Demo-Sitzungen abgeleitet; die README nennt sie „keine neue Validierung am echten Roboter“. Laut Projektseite lernt ASPIRE auf einem kleinen Debug-Split und wird auf davon getrennten Held-out-Seeds bewertet. ASPIRE stützt sich auf ein eingefrorenes Spitzenmodell, und die Forscher sagen, sie hätten nicht geprüft, ob kleinere oder schwächere Modelle die Debugging-Schleife tragen können.