OpenAIs GPT-6 Astra erkennt Fehler beim IKEA-Aufbau mit 80 % Genauigkeit

Wer schon einmal ein Bücherregal aus dem Flachpaket fertig aufgebaut hat und dann feststellt, dass eine übrig gebliebene Schraube über den Boden rollt, kennt das leise Grauen eines misslungenen IKEA-Aufbaus. Jetzt gibt es womöglich eine Maschine, die den Streit schlichten kann. Laut dem Furniture Assembly Benchmark (FAB) von Epoch AI kann OpenAIs GPT-6 Astra ein Foto eines Möbelstücks mitten im Aufbau untersuchen und genau erkennen, wo die Montage schiefgelaufen ist – mit 80 Prozent Genauigkeit bei dieser Aufgabe.

Das Ergebnis kommt rund zehn Monate, nachdem der beste Performer des Benchmarks, Claude Opus 4.5, nur 28 Prozent erreicht hatte. Dieser Sprung – vom nahezu vollständigen Scheitern zum Erkennen der großen Mehrheit der eingebauten Fehler – ist die Schlagzeile des jüngsten FAB-Leaderboard-Updates.

Wie der Furniture Assembly Benchmark funktioniert

FAB ist bewusst alltäglich, und genau das scheint der Punkt zu sein. Der Benchmark fotografiert drei IKEA-Möbelstücke während des Aufbaus, wobei entlang des Weges absichtliche Fehler eingebaut werden. Einem Modell werden dann diese Fotos zusammen mit der Herstelleranleitung gezeigt, und es muss zwei Dinge gleichzeitig tun: den Fehler lokalisieren und in Worten beschreiben, was schiefgelaufen ist.

Diese Kombination macht die Aufgabe schwieriger als ein einfaches Bildklassifikationsproblem. Das Modell kann nicht einfach melden, dass etwas falsch aussieht. Es muss einen Fehler innerhalb eines teilweise zusammengebauten Objekts lokalisieren und ihn dann klar genug erklären, dass ein menschlicher Aufbauer auf Basis der Beschreibung handeln könnte. Der Benchmark fasst somit visuelles Schlussfolgern, Anweisungsbefolgung und Sprachgenerierung in einem einzigen Ergebnis zusammen.

Flachpaketmöbel erweisen sich als nützlicher Stresstest, gerade weil sie langweilig sind. Die Teile sind starr, die Anleitungen diagrammatisch, und Korrektheit ist eindeutig. Entweder ist die Regalhalterung an der falschen Seite montiert oder nicht. Es gibt sehr wenig Raum für die Art subjektiver Beurteilung, die bildbasierte Evaluierungen verwässern kann.

Von 28 Prozent auf 80 Prozent in zehn Monaten

Das Ausmaß der Verbesserung ist das auffälligste Element des Updates. Im November 2025 erreichte das stärkste verfügbare Modell deutlich weniger als ein Drittel des Benchmarks. Zehn Monate später nähert sich der Spitzenreiter dem Punkt, an dem das Werkzeug weit häufiger richtig als falsch liegen würde.

• November 2025: Claude Opus 4.5 führt das Feld mit 28 Prozent an.
• September 2026: OpenAIs GPT-6 Astra erreicht 80 Prozent und benötigt durchschnittlich etwa drei Minuten pro Foto.
• Claude Fable 5.1 liegt bei 70 Prozent.
• Claude Opus 5 landet bei 61 Prozent.
• Chinesische Open-Weight-Modelle wie Kimi K3 liegen mindestens sieben Monate hinter den Spitzenreitern zurück.

Drei der fünf Datenpunkte beschreiben ein Feld, das in einem aussagekräftigen Bereich geschlossen ist, statt einen einzelnen überlegenen Sieger. Astra hat einen Vorsprung, aber Fable 5.1 ist nah genug, dass sich die Reihenfolge mit der nächsten Veröffentlichungsrunde verschieben könnte. Die aufschlussreichere Lücke ist die zwischen der Frontier und den Open-Weight-Herausforderern, wo Kimi K3 und seine Mitstreiter etwa sieben Monate zurückliegen.

Warum die Kurve so scharf knickte

Das Quellmaterial rahmt den Zugewinn als Teil eines breiteren Wandels statt als isolierte Leistung. Modelle scheiterten vor nicht allzu langer Zeit an weit einfacheren visuellen Aufgaben, was ein Ergebnis von 80 Prozent bei einem mehrstufigen Inspektionsproblem bemerkenswert macht. Da Vision-Language-Systeme besser darin geworden sind, Beschreibungen in dem zu verankern, was tatsächlich in einem Bild sichtbar ist, sind Benchmarks rund um physische Objekte in einer Weise handhabbar geworden, wie es zuvor nicht der Fall war.

Geschwindigkeit ist der verbleibende Engpass

Astra's Ergebnis hat einen wichtigen Vorbehalt: drei Minuten pro Foto. Das ist viel zu langsam für Echtzeit-Aufbauhilfe, das Szenario, das die meisten Menschen zuerst im Kopf hätten. Ein Helfer, der drei Minuten für ein Urteil braucht, ist nicht nützlich, wenn die Hände voll sind und man mitten in Schritt vier steckt.

Forscher sehen die Fähigkeit dennoch als Sprungbrett. Sie legen nahe, dass die zugrunde liegende Fertigkeit irgendwann auf Aufgaben wie Autoreparaturen oder Gerätereparaturen gerichtet werden könnte, bei denen ein Modell ein Foto eines defekten oder teilweise zerlegten Systems mit der Dokumentation vergleichen und den Fehler beschreiben würde. Diese Bereiche sind unordentlicher als ein Bücherregal: Komponenten sind verborgen, die Beleuchtung variiert, und frühere Reparaturen können eine Maschine in einem nicht standardmäßigen Zustand hinterlassen.

Geschwindigkeit ist prinzipiell auch ein leichter anzugehendes Problem als Genauigkeit. Inferenzkosten sind über aufeinanderfolgende Modellgenerationen tendenziell gefallen und der Durchsatz tendenziell gestiegen, sodass eine Bearbeitungszeit von drei Minuten heute mehr über den aktuellen Stand der Technik aussagt als über eine harte Obergrenze.

Jenseits von Flachpaketen: visuelle Robotik

Das Benchmark-Ergebnis steht nicht allein. Astra schneidet laut dem Quellmaterial auch bei visuellen Roboteraufgaben stark ab, was nahelegt, dass dieselbe zugrunde liegende Fähigkeit – eine Szene zu lesen und über physische Anordnung zu schlussfolgern – über statische Fotos von Möbeln hinaus übertragbar ist.

Diese Verbindung ist wichtig, weil Robotik schon immer weniger durch Aktuatoren als durch Wahrnehmung und gesunden Menschenverstand begrenzt war. Ein Roboter, der eine halbfertige Montage betrachten, sie mit einem Plan vergleichen und sagen kann, was falsch ist, tut etwas strukturell Ähnliches wie Manipulation: Er baut ein internes Modell vom korrekten Zustand eines Objekts auf und vergleicht es mit der Realität. Fehlererkennung dieser Art ist ein logischer Vorläufer der Fehlerkorrektur.

Ein Benchmark, der ehrlich bleiben soll

FABs Design sagt auch etwas darüber aus, wie die KI-Evaluierung reift. Statt abstraktes Lösen von Rätseln zu testen, borgt es sich eine Aufgabe aus dem Alltag und führt kontrollierte Fehler ein, was die Bewertung objektiv und reproduzierbar macht. Absichtliche Fehler können katalogisiert werden, sodass eine richtige Antwort verifizierbar und eine falsche unmissverständlich ist.

Der Preis dieser Strenge ist Enge. Drei IKEA-Stücke sind eine kleine Stichprobe, und Erfolg bei ihnen garantiert keinen Erfolg bei einem Küchenschrank oder einem Fahrrad. Aber als Richtungssignal für Fortschritte beim visuellen Schlussfolgern ist der Benchmark ungewöhnlich gut lesbar: Er misst, ob ein Modell ein physisches Objekt betrachten und sagen kann, was damit nicht stimmt.

Was als Nächstes zu beobachten ist

Drei Dinge werden entscheiden, ob dieses Ergebnis wie ein Meilenstein oder eine Fußnote wirkt. Erstens, ob sich Astras Vorsprung vor Fable 5.1 und Opus 5 in den kommenden Monaten vergrößert oder verkleinert. Zweitens, ob die Inferenzzeiten weit genug sinken, um Echtzeit-Anleitung plausibel zu machen. Drittens, ob sich die Fehlererkennungsfähigkeit von Flachpaketmöbeln auf die unordentlicheren Reparaturaufgaben verallgemeinert, die Forscher im Sinn haben.

Vorerst ist die praktische Erkenntnis bescheiden, aber real: Die Technologie, die vor weniger als einem Jahr eine umgekehrt montierte Regalhalterung nicht zuverlässig erkennen konnte, kann den Fehler nun in acht von zehn Fällen identifizieren und erklären. Wer sich jemals mit einem Partner darüber gestritten hat, in welche Richtung ein Dübel gehört, könnte diesen Fortschritt als wertvoll erachten.

Dieser Artikel basiert auf einer Berichterstattung von The Decoder. Lesen Sie den Originalartikel.