Vertiefende Analyse · Etwa 5 Min. Lesezeit
ACE-Brain-0.6: überprüfbare Daten für ein spezialisiertes 9B-Modell zur räumlichen Verankerung
SenseTime und Daxiao berichten über vielfältige räumliche Supervision: fünf öffentliche Siege gegen Astra, zwei Rückstände und einen getrennten internen Test.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Die technische Mitteilung von SenseTime vom 20. Oktober beschreibt Daxiaos ACE-Brain-0.6 als 9B-Modell für visuelle Verankerung. Interessant sind die Datenaufbereitung und der begrenzte Vergleich, nicht ein Beleg dafür, dass ein kleines Modell sämtliche Fähigkeiten eines allgemeinen Modells übertrifft.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Sieben öffentliche Tests ergeben im Mittel 74.53 gegenüber 73.68 für GPT-6 Astra; bei RefSpatial und PointArena liegt ACE zurück. Der sechste Sieg betrifft das selbst erstellte RobotGrounding.
- Rund eine Million Trainingsbeispiele, 940000 unterschiedliche Bilder und 2.7 Millionen Frage-Antwort-Paare sind verschiedene, nicht addierbare Einheiten.
- Neue Szenen, räumliche Beziehungen und Supervisionsformen bringen laut Team mehr als zusätzliche Beispiele bekannter Typen. Es sind Anbieterangaben, keine Tests von AISubHub.
Welcher Teil der Roboteraufgabe wird verbessert?
Visuelle Verankerung verbindet Sprache mit einem Objekt, einer Region oder einer Position im Bild. ACE-Brain-0.6 zielt auf Erkennung, Zählen, räumliche Beziehungen und Interaktionsstellen. Auch ein sinnvoller Plan beantwortet noch nicht, an welcher genauen Stelle eine physische Handlung stattfinden soll. Daher kann eine kleine Koordinatenabweichung relevant sein, obwohl die sprachliche Antwort überzeugend wirkt.
Ein didaktisches Beispiel von AISubHub, kein Produkttest: Eine Tasse soll neben eine Schüssel gestellt werden. Der Roboter muss beide finden, „neben“ auslegen und freien Platz prüfen. Fehlt die Tasse, wäre eine erfundene Koordinate falsch. Fehlende Ziele korrekt zu erkennen und vorhandene präzise zu lokalisieren sind ergänzende Wahrnehmungsanforderungen, aber kein Nachweis sicherer Ausführung.
Wie werden Bewegungsaufzeichnungen zu räumlichen Labels?
Daxiao kombiniert nach eigenen Angaben mehr als 30 offene Roboterdatenfamilien mit privaten Ego-Daten, menschlichen Ich-Perspektiven, dichten Objekt- und Teileannotationen sowie dreidimensionalen Raumdaten. Trajektorien dokumentieren Handlungen, erklären jedoch nicht automatisch, welches Objekt oder welche Kontaktfläche eine Anweisung meint. Die Pipeline überführt dieses heterogene Material in explizite räumliche Supervision.
Bei Manipulationsvideos helfen Greiferzustand und Bewegungsumfang, Schlüsselbilder auszuwählen. Ein Objektvokabular wird aufgebaut; Grounding DINO und SAM 3 unterstützen Lokalisierung, Regionen und semantische Korrekturen. Daraus entstehen Fragen zu Referenzen, Anzahl, Beziehungen, Interaktionspositionen und fehlenden Zielen. Jede Umwandlung kann Label-Fehler erzeugen; Antworten müssen deshalb an sichtbare Belege gebunden bleiben.
Was macht Trainingsantworten überprüfbar?
Die Mitteilung fordert vollständige Instanzannotationen für Zählfragen und eine bestätigte Abwesenheit für Fragen zu fehlenden Zielen. Annotationsprüfung, ausgeglichene Antworten und der Ausschluss von Evaluierungsdaten sollen falsche Supervision und Abkürzungen reduzieren. Das beschreibt den Prozess des Teams, liefert aber keine unabhängig gemessene verbleibende Fehlerrate.
Der Datensatz umfasst ungefähr eine Million Trainingsbeispiele, 940000 unterschiedliche Bilder und 2.7 Millionen Frage-Antwort-Paare. Diese Einheiten sind weder gleich noch addierbar. Grundlage ist Qwen3.5-9B; der visuelle Encoder bleibt eingefroren, während Sprachmodellparameter überwacht feinabgestimmt werden. Eine gemeinsame Schnittstelle erzeugt Koordinaten, Regionen, Anzahlen und Urteile. Eine Einsparung bei Inferenzkosten wird nicht beziffert.
Was zeigt der vollständige Vergleich?
Die Anbietertabelle nennt für ACE gegenüber GPT-6 Astra Where2Place 76.55/71.10, PixMo-Count 89.41/88.10, RoboSpatial 74.82/69.55, RoboAfford 88.51/84.94 und ShareRobot 49.70/46.60. Dagegen liegt RefSpatial mit 68.35/80.14 ebenso zurück wie PointArena mit 74.34/75.36. Der Mittelwert dieser sieben öffentlichen Tests beträgt 74.53/73.68 und sollte die Unterschiede zwischen Aufgaben nicht verdecken.
Der achte Test ist Daxiaos eigenes RobotGrounding: 2591 Fragen in 14 Aufgabenkategorien, darunter kleine Objekte, Abwesenheit und Zuordnung zwischen Kameras. Die Werte lauten 94.13/91.10. „Sechs Siege“ bedeutet somit fünf öffentliche plus einen internen, nicht sechs öffentliche. Fragen aus Roboterszenen bleiben eine Grounding-Evaluation; 94.13 ist keine Erfolgsquote vollständiger physischer Manipulation.
Erklärt mehr Datenmenge den Fortschritt?
Bei unveränderter Architektur und Trainingsmethode erweitert das Team von 260000 Beispielen auf ungefähr eine Million. Der öffentliche Mittelwert steigt von 69.3 auf 74.5. Beschrieben werden ein annähernd logarithmisch-linearer Verlauf und etwa 2.4 Punkte je Verdopplung innerhalb des getesteten Bereichs. Das ist ein berichteter kontrollierter Vergleich, kein Versprechen gleicher Gewinne bei jeder künftigen Verdopplung.
Zusätzliche Beispiele bereits vorhandener Datentypen bringen laut derselben Darstellung weniger als einen Punkt. Neue Szenen, räumliche Beziehungen und Supervisionsformen sind wichtiger. AISubHub interpretiert dies so: Abdeckung verändert, was gelernt werden kann; Wiederholung verstärkt Bekanntes. Diese Erklärung setzt die beschriebenen Datenkontrollen und getrennten Evaluationen voraus und ist kein universelles Skalierungsgesetz.
Was muss vor physischem Einsatz noch geprüft werden?
Die Mitteilung begründet die Untersuchung einer spezialisierten Wahrnehmungskomponente, nicht den Ersatz der gesamten Planung und Steuerung. Ein Grounding-Test prüft Kamerakalibrierung, Bewegungsausführung, Kollisionen oder Erholung nach Fehlortung nicht unmittelbar. AISubHub würde fehlende Ziele und Positionsfehler samt nachgelagerten Folgen untersuchen, statt einen Durchschnittswert zur Sicherheitsgarantie zu erklären.
Sämtliche Ergebnisse stammen von SenseTime und Daxiao. Konfidenzintervalle, Kosten, Latenz, Einsatzberechtigung, Downloadlizenz und physische Erfolgsdaten je Aufgabe fehlen. Wir haben den vollständigen offiziellen Text und drei notwendige Abbildungen gelesen, aber keine Experimente reproduziert und keine getrennte Originalpublikation vollständig gelesen. Herunterladbare Gewichte oder eine API sind weiterhin nicht verifiziert.
Warum es wichtig ist
AISubHub-Analyse: Entscheidend ist, wie der Roboter lernt, wo er handeln soll und wann ein Ziel fehlt. Ein Grounding-Wert kann die Auswahl einer Wahrnehmungskomponente unterstützen, zertifiziert aber kein vollständiges Robotersystem.
Grenzen und Verfügbarkeit
Die Quelle ist eine vollständig gelesene offizielle technische Mitteilung, keine unabhängige Prüfung einer Originalpublikation. Konfidenzintervalle, Kosten, Latenz, Einsatzvoraussetzungen, Downloadlizenz und physische Erfolgsdaten je Aufgabe fehlen. Modell, Gewichte und API-Verfügbarkeit wurden nicht von uns getestet.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.