ACE-Brain-0.6 wurde am 19. Oktober 2026 von Daxiao Robotics offiziell vorgestellt. Das verkörperte Basismodell mit 9 Milliarden Parametern misst sich an nur einer Sache: einem Roboter genau sehen zu lassen, wo sich ein Ziel befindet, wo es zu greifen ist und wo es abgelegt werden kann. In den acht von Daxiao veröffentlichten Tests zur visuellen räumlichen Verankerung schlug es OpenAIs GPT-6 Astra in sechs Fällen und lag im Mittel der sieben öffentlichen Benchmarks mit 74,53 zu 73,68 knapp vorn. Die Ergebnisse stammen aus von Daxiao veröffentlichtem Material, und der Shanghai Observer vermerkte in seiner Berichterstattung ausdrücklich, dass eine Überprüfung durch Dritte noch aussteht — dieser Vorbehalt gehört an den Anfang.
Es misst sich nicht im Gespräch, sondern im genauen Zeigen
Visuelle räumliche Verankerung (Visual Grounding) bedeutet, eine Sprachanweisung auf eine physische Position abzubilden: Sagt ein Nutzer „Leg die Frucht in den Korb", muss das Modell Frucht und Korb erkennen und zugleich Korbrand, Ablagefläche, Greifpunkt und Bewegungsrichtung beurteilen. Daxiaos Analyse zufolge sind allgemeine multimodale Modelle wie GPT-6 Astra im Schließen bereits stark, irren aber weiterhin bei feiner geometrischer Lokalisierung und komplexen räumlichen Relationen; in Textfragen ist eine kleine Abweichung belanglos, für einen Roboter bedeuten wenige Zentimeter daneben einen fehlgeschlagenen Griff. ACE-Brain-0.6 bündelt Objekterkennung, Mehrfach-Lokalisierung, räumliches Relationsverständnis, Funktionserkennung, Vorhersage von Interaktionspunkten und das Urteil „Ziel existiert nicht" zu einem räumlichen Wahrnehmungssystem, das genau diese Lücke schließen soll. Es baut auf Qwen3.5-9B auf, bei eingefrorenem Vision-Encoder und nur feinabgestimmten Sprachmodell-Parametern.
Zerlegt man die Punkte, ist der Sieg ungleichmäßig
| Benchmark | ACE-Brain-0.6 | GPT-6 Astra |
|---|---|---|
| Where2Place | 76.55 | 71.10 |
| PixMo-Count | 89.41 | 88.10 |
| RoboSpatial | 74.82 | 69.55 |
| RoboAfford | 88.51 | 84.94 |
| ShareRobot | 49.70 | 46.60 |
| RobotGrounding (Daxiaos eigener) | 94.13 | 91.10 |
Am größten ist der Abstand bei räumlichen Relationen und Funktionsbereichen, beim Zählen ist der Vorsprung klein; das Mittel der sieben öffentlichen Benchmarks unterscheidet sich nur um 0,85 Punkte — ein Spezialsieg innerhalb derselben Liga, kein Generationssprung. RobotGrounding ist Daxiaos eigener Testsatz mit 2.591 Fragen in 14 Aufgabentypen, ein Vorsprung dort ist entsprechend zu rabattieren. Bemerkenswerter in diesem Ergebnissatz ist das Urteil „Ziel existiert nicht": Enthält die Szene das Gesuchte nicht, muss das Modell das klar sagen, statt eine Position zu erfinden — eine Sicherheitsuntergrenze für Roboter in realen Umgebungen. Eine ähnliche Kleinmodell-Route zeigte zuletzt das REKI-Robotermodell, das ebenfalls auf öffentliche Daten und Spezialoptimierung setzte.
Eine Million überprüfbare Datensätze sind der eigentliche Kern dieser Veröffentlichung
Trainiert wurde ACE-Brain-0.6 mit rund einer Million Stichproben, die etwa 940.000 Bilder und 2,7 Millionen Frage-Antwort-Paare umfassen. Das Team führte mehr als 30 offene Roboter-Datenfamilien mit privaten Ego-Daten zusammen, wählte Schlüsselbilder aus Manipulationsvideos anhand von Greiferzustand und Bewegungsamplitude aus und nutzte Vision-Werkzeuge wie Grounding DINO und SAM 3 für Lokalisierung, Bereichserkennung und semantische Korrektur, um heterogene Daten in Überwachungssignale mit ausdrücklichem visuellem Beleg zu überführen. Kontrollierte Experimente zeigen: Bei unveränderter Architektur und Trainingsmethode hob die Skalierung von 260.000 auf eine Million Stichproben das Mittel der sieben öffentlichen Benchmarks von 69,3 auf 74,5, rund 2,4 Punkte pro Verdopplung; mehr Stichproben nur vorhandener Typen brachten dagegen weniger als 1 Punkt — gewirkt haben neue Szenen, neue räumliche Relationen und neue Überwachungsformen. Diese Schlussfolgerung ist für Fachkollegen der nützlichere Mitnahmewert: Der Engpass verkörperter Daten ist Vielfalt und Überprüfbarkeit, nicht schiere Menge.
Bis zum echten Arbeiten von Robotern fehlt noch ein Stück
Das kalte Wasser: Grounding-Benchmarks messen Lokalisierungsurteile auf Standbildern, nicht die Erfolgsquote eines Roboters, der in einer realen Szene fortlaufend greift und ablegt. Lichtwechsel, Verdeckungen, Objektverformung und Greiferfehler zehren außerhalb des Benchmarks an den Punkten. Daxiao hat diesmal keine Erfolgsquoten an realen Robotern veröffentlicht und auch nicht gesagt, ob die Modellgewichte geöffnet werden. Bis diese Informationen vorliegen, liest sich ACE-Brain-0.6 am besten als überzeugender Richtungsnachweis: Ein Modell der 9B-Klasse kann, gefüttert mit hochwertigen Spezialdaten, bei einer einzigen Schlüsselfähigkeit mit einem Spitzenmodell gleichziehen oder es schlagen — ob es Roboter verlässlicher arbeiten lässt, müssen Daten aus der realen Maschine zeigen.
