Forschende der National University of Singapore (NUS) haben ForceHarness vorgestellt, ein System, mit dem eingefrorene Frontier-Modelle — nur per API genutzt, ohne weiteres Training — Roboter bei Aufgaben steuern können, die auf den Tastsinn angewiesen sind. An einem echten Roboterarm sprang OpenAIs GPT-6 Astra bei sechs kontaktintensiven Manipulationsaufgaben von 3,3 % auf 90,0 % Erfolg — ohne eine einzige Demonstration und ohne Feintuning. Die Arbeit erschien am 16. November 2026 als Preprint auf arXiv.
Das Problem, das ForceHarness löst, ist bekannt: Multimodale Modelle steuern Roboter bereits anhand von Bildern, doch viele Aufgaben — ein Teil einsetzen, ein Objekt mit der richtigen Kraft schieben, spüren, wann etwas berührt wird — hängen von Kontaktkräften ab, die Bilder nicht zeigen. Und es gibt zwei Hindernisse, Kraft zu einem per API genutzten Modell zu bringen: Kontakt verändert sich viel schneller, als das Modell entscheiden kann, und ein eingefrorenes Modell kann einen rohen Kraftdatenstrom nicht interpretieren.
So funktioniert ForceHarness
Das System hat drei Schichten. Zuerst zwölf selbstterminierende Kraftprimitive: kleine Regler, die die Kraft eigenständig in einer schnellen Schleife unterhalb der Entscheidungsrate des Modells regeln und bei einem Kontaktereignis zurückkehren. Dann übersetzt eine Physik-Übersetzungsschicht jede Kraftspur in physikalische Größen — etwa Masse, Reibung und Kontakthöhe — mit Unsicherheitsschätzungen. Schließlich kehren diese Größen als Tool-Call-Ergebnis zum Modell zurück, in einer Form, mit der es argumentieren kann.
Die Handkraft lässt sich über einen Kraftsensor am Handgelenk oder allein über die Gelenkmomente kalibrieren — im Experiment am echten Arm gab es keinen Sensor am Handgelenk. Die Autoren bauten außerdem HiddenPhys, einen Benchmark mit sieben Aufgaben im MuJoCo-Simulator mit verborgenen physikalischen Variablen, um das System mit Expertenreglern und trainierten Policies zu vergleichen.
Die Ergebnisse
Laut den Autoren legte ForceHarness in der Simulation 17,5 Prozentpunkte auf ForceBench, einem öffentlichen Benchmark, und 34,3 Punkte auf HiddenPhys zu — mehr als kraftbewusste Policies, die mit rund 200 Demonstrationen pro Aufgabe trainiert wurden, und gleichauf mit handgeschriebenen Expertenreglern auf HiddenPhys. Am echten Arm — einem Franka FR3 ohne Kraftsensor am Handgelenk — stieg die Zero-Shot-Erfolgsrate von GPT-6 Astra bei sechs kontaktintensiven Manipulationsaufgaben von 3,3 % auf 90,0 %.
Die Tests deuten zudem darauf hin, dass kleinere Modelle deutlich bessere Entscheidungen treffen, wenn sie physikalische Größen statt roher Kraftwerte erhalten — ein Detail, das diese Art der Steuerung günstiger machen könnte. Die Zahlen stammen von den Autoren selbst aus dem Preprint, und das Abstract nennt keine Versuchszahl für das Ergebnis am echten Arm. Das Paper wurde noch nicht peer-reviewed: Die Ergebnisse sind daher als vielversprechende Demonstration zu lesen, nicht als gesicherte Tatsache.
Warum das wichtig ist
Das Ergebnis kommt, während OpenAI sein Robotik-Team aufgelöst hat, um auf allgemeine Modelle wie GPT-6 Astra zur Steuerung von Robotern zu setzen. ForceHarness ist ein konkretes Beispiel dafür, wie dieser Weg funktionieren kann: Statt ein Modell nur für Roboter zu trainieren, gibt das System dem API-Modell, was ihm fehlte — den Kraftsinn — ohne seine Gewichte anzutasten.
Sollten sich die Ergebnisse in unabhängigen Evaluierungen bestätigen, könnte der Ansatz Allzweckroboter beschleunigen, die von Frontier-Modellen gesteuert werden — ohne für jede neue Aufgabe Hunderte Demonstrationen sammeln zu müssen. Der Code des Systems wurde als Open Source veröffentlicht, sodass andere Labore die Ergebnisse reproduzieren und testen können.
Bildnachweis: Franka-Emika-Roboterarm auf einer Messe, Foto von Ims, CC BY-SA 4.0, via Wikimedia Commons (Datei: Franka Emika2.jpg). Das Foto ist illustrativ: Die Tests des Papers nutzten einen Franka-FR3-Arm.
Quellen
- arXiv:2611.21099 — ForceHarness: Turning Force into Action and Physics for Frozen Frontier Models (Ke Sun, Kevin Yuchen Ma, Yike Zhang, Yanzhe Chen, Mike Zheng Shou)
- AI Weekly — NUS ForceHarness Lifts Frozen GPT-6 Astra Robot Success from 3.3% to 90.0%
- Hugging Face — Papers: ForceHarness: Turning Force into Action and Physics for Frozen Frontier Models
- ArXivSignals — ForceHarness: Turning Force into Action and Physics for Frozen Frontier Models
Transparenz: Dieser Artikel wurde mit Hilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen auf X sowie Internetquellen abgeglichen. Die Fakten wurden anhand der genannten Quellen geprüft; bitte konsultieren Sie die Originalquellen, um Details zu bestätigen.
Von Muse