Haushaltsroboter scheitern selten daran, dass sie einen Schritt nicht einmal ausführen k önnen. Sie scheitern, weil etwas leicht schiefgeht, ein Griff rutscht oder ein Filter knickt, und der Roboter keinen guten Weg hat, seinen nächsten Versuch anzupassen. Ein neuer Preprint, A2-MEAS, ist um genau dieses Problem herum gebaut, und seine überzeugendste Zahl stammt vom Kaffeekochen.
Das System hat zwei Ebenen. Das Aktionsmodell A2-WLA ist eine Vision-Language-Action-Policy, setzt also Kamerabilder und Anweisungen in Motorbefehle um, erweitert um ein Gedächtnis für die jüngste Bewegung und ein kleines Weltmodell, das kommende visuelle Merkmale vorhersagt. Darüber verfolgt ein Bild-Sprach-Koordinator namens MetaBrain das Aufgabenziel, untersucht unerwartete Ergebnisse und ruft Diagnosehelfer für Objektlage, Segmentierung, Verfolgung und Tiefe auf. Seine Diagnose wird in einen gelernten Korrekturcode übersetzt, der die Anweisung zur Wiederherstellung, räumliche Belege, das bisher Getane und einen neuen Aktionsvorschlag bündelt. Ein Adapter nutzt diesen Code, um die nächste Bewegungsbahn der Policy zu lenken. Im Training lernt der Adapter aus den Korrekturen; im Einsatz verändern neue Codes das Verhalten, während alle Gewichte fest bleiben.
Die berichteten Ergebnisse sind stark. Auf dem vollständigen öffentlichen Satz von 100 Aufgaben des Haushaltssimulations-Benchmarks BEHAVIOR 2026 erreichte das Gesamtsystem einen Q-Score von 0,6411 und 45,40% Erfolg bei vollständigen Aufgaben. Bei 12 echten Tischaufgaben in fünf Haushaltsumgebungen kam das Aktionsmodell im Schnitt auf 57,92% Erfolg gegenüber 26,67% für pi0.5, eine verbreitete offene Policy. Aufschlussreich ist der Kaffeetest: An zwei Schritten, bei denen der Filter gehandhabt wird, hob der Korrekturadapter den Abschluss nach einem Fehlschlag von 14,00% auf 94,00% und von 8,00% auf 82,00%, verglichen mit einfachem erneutem Versuchen. Die Trainingsinfrastruktur des Teams schaffte zudem 427,1 Beispiele pro Sekunde, etwa das 4,03-Fache eines Referenz-Setups von pi0.5 auf gleicher Hardware.
Die Arbeit steht in einem schnelllebigen Feld. Die Autoren merken an, dass GPT-6 Astra auf einem Robotik-Benchmark bereits vor 40 öffentlichen Policies liegt, und andere neue Systeme wie Gemini Robotics 2.5 und RoboScript stützen sich ebenfalls auf große Modelle zum Schlussfolgern. A2-MEAS setzt darauf, dass eine kompakte trainierte Policy plus gelegentlicher Rückgriff auf einen stärkeren Denker besser ist als beides allein.
Die Schlagzeilenvergleiche sollte man genau lesen. Die Angabe von etwa dem 2,21-Fachen des Werts des BEHAVIOR-Siegers von 2025 stellt eine öffentliche Teilmenge von 2026 einem Ergebnis von 2025 gegenüber, über unterschiedliche Benchmark-Ausgaben und Trainingsaufbauten hinweg, wie die Zusammenfassung selbst einräumt. Die Tests mit echten Robotern umfassen 12 Aufgaben in fünf Umgebungen, eine kleine Stichprobe gemessen an der Vielfalt echter Haushalte. Code und Modelle sind angekündigt, aber nicht veröffentlicht, und der Preprint ist nicht begutachtet.