# Sprach-Bild-Modelle steuern Roboterarme in Zweizentimeter-Schritten

> Show Lab koppelt bestehende Sprach-Bild-Modelle über feste Bewegungsschritte an echte Arme. Zwei weitere Preprints zeigen: Denkmodelle dürfen nicht stoppen, nur weil sie sich selbst zustimmen – und Selbstauskünfte von Sprachmodellen sind nicht modellspezifisch.

Datum: 2026-09-10 · KI & Robotik

Drei Preprints vom 10. September 2026: Show Lab koppelt bestehende Sprach-Bild-Modelle über feste Bewegungsschritte an echte Roboterarme. Zwei weitere Arbeiten messen, wann Denkmodelle zu früh anhalten und ob Selbstauskünfte eines Modells wirklich von ihm selbst handeln.

## Feste Schritte statt Gelenkzahlen

Ein Sprach-Bild-Modell erkennt Gegenstände und versteht Anweisungen. Daraus eine Roboterbewegung zu machen, heißt meist: das Modell neu auf Gelenkwinkel eines bestimmten Arms zu trainieren. Show Lab an der National University of Singapore trennt beides in [arXiv:2609.10522](https://arxiv.org/abs/2609.10522). Das Modell wählt nur noch benannte Schritte: vor, zurück, links, rechts, hoch, runter, greifen, loslassen. Ein Interpreter, der zum jeweiligen Arm gehört, setzt jeden Schritt in eine kleine, begrenzte Bewegung um – standardmäßig zwei Zentimeter.

Ohne Nachtraining steuert Gemini-3.1 Pro über diese Schnittstelle zehn Greif- und Abstellaufgaben. Die Erfolgsrate liegt bei 89 Prozent, der stärkste Vergleichswert bei 57 Prozent. Dieselbe Schnittstelle, mit wenigen GPU-Stunden auf ein offenes 2-Milliarden-Parameter-Modell gelegt, kommt auf 86 Prozent. Auf einem zweiten Arm und unter geändertem Licht, Hintergrund und Blickwinkel bleibt der Abstand. Nur in der Simulation trainiert, schafft das kleine Modell 13 von 20 Läufen auf dem echten Arm; zwei Vergleichsmodelle, die Gelenkbewegungen direkt vorhersagen, schaffen 0 von 20. Wird der Interpreter von zwei auf einen Zentimeter gestellt, steigt die Erfolgsrate beim Stapeln und Stecken ohne neues Training.

[Show-Harness steuert verschiedene Roboterarme über dieselben benannten Bewegungsschritte]

Figure 1: Chen, Bai et al., [arXiv:2609.10522](https://arxiv.org/abs/2609.10522)

Demonstrationen sammelt die Gruppe über eine Bildschirmoberfläche mit denselben Schritten, ohne Fernsteuer-Hardware. Die Versuche laufen an Parallelgreifern, nicht an Humanoiden oder vielgliedrigen Händen. Projektseite, Modelle und Daten: [Show-Harness](https://showlab.github.io/Show-Harness).

## Zustimmung ist kein Ende des Denkens

Denkmodelle schreiben oft tausende Wörter, bevor sie eine Zahl nennen. Ein naheliegender Sparweg: zwischendurch nach der aktuellen Antwort fragen und aufhören, sobald mehrere Nachfragen dieselbe Zahl liefern. HKUST und Oxford prüfen in [arXiv:2609.09989](https://arxiv.org/abs/2609.09989), ob irgendeine solche Regel zugleich sicher und sparsam ist.

Keine von 3520 im Voraus festgelegten Regeln besteht drei gesetzte Schwellen. Bei einer Regel, die noch 32 Prozent der Wörter spart, sitzt jeder neunte Stopp auf einer Zahl, die der Lauf selbst später verwirft; 155 von 216 solchen Stopps kappen eine Korrektur. Frühe Nachfragen mit anderer Formulierung liefern in 54 Prozent der Fälle eine andere Zahl. Ein anderes Signal – die Sicherheit des Modells an einer Denkgrenze – spart 28 Prozent bei 0,3 Prozentpunkten Verlust. Die Messung gilt für Mathematikwettbewerbe mit prüfbarer Endzahl, nicht für offenen Text.

## Selbstauskunft beschreibt Assistenten im Allgemeinen

Phil Blandfort und Urja Pawar machen in [arXiv:2609.09899](https://arxiv.org/abs/2609.09899) aus Selbstwissen eine Vorhersage. Sie messen, wie oft ein Modell unter Druck nachgibt, lügt oder eine Regel bricht, und fragen es dann nach genau diesen Häufigkeiten. Die direkte Selbstauskunft hängt fast nicht mit dem gemessenen Verhalten zusammen. Selbst mit den Originalfragen bleibt der Zusammenhang mäßig – und die gleiche Frage über „fähige KI-Assistenten im Allgemeinen“ liegt mindestens so gut. Andere Modelle sagen das Verhalten des Zielmodells mindestens so treffend voraus wie es selbst. Die Ich-Form senkt die gemeldete Schadensrate um 15 Prozentpunkte gegenüber der allgemeinen Formulierung. Größere Modelle verbessern die Theorie über Assistenten, nicht das Wissen über sich. Code: [GitHub](https://github.com/PredictablyWeird/strangers-to-themselves).

Alle drei Arbeiten sind Preprints.

Bis bald
Euer Benny

## Quellen

- [Chen, Bai et al.: Show-Harness: Just a VLM Agent Can Play Robots, arXiv:2609.10522](https://arxiv.org/abs/2609.10522)

- [Dieselbe Arbeit, HTML mit Figuren](https://arxiv.org/html/2609.10522v1)

- [Show-Harness-Projektseite](https://showlab.github.io/Show-Harness)

- [Show-Harness-Modelle auf Hugging Face](https://huggingface.co/showlab/Show-Harness-VLMs)

- [Mo, Zhao, Geng: Stable Answers, Unfinished Reasoning, arXiv:2609.09989](https://arxiv.org/abs/2609.09989)

- [Code und Daten (angekündigt)](https://github.com/Antony-zdh/stable-answers-unfinished-reasoning)

- [Blandfort, Pawar: Strangers to Themselves, arXiv:2609.09899](https://arxiv.org/abs/2609.09899)

- [Strangers-to-Themselves-Repository](https://github.com/PredictablyWeird/strangers-to-themselves)

[HTML-Fassung](https://ki-news.digitsoftware.de/news/sprach-bild-modelle-steuern-roboterarme-in-zweizentimeter-schritten)
