Generalist meldet für GEN-1 eine Erfolgsquote von 99 Prozent nach rund einer Stunde Roboterdaten je Aufgabe, vortrainiert ganz ohne Roboterdaten
Generalist AI hat am 2. April 2026 das Robotermodell GEN-1 vorgestellt, vortrainiert mit mehr als 500.000 Stunden menschlicher Interaktionsdaten aus tragbaren Geräten und ohne Roboterdaten. Das Unternehmen meldet 99 Prozent durchschnittliche Erfolgsquote bei Aufgaben, bei denen das Vorgängermodell 64 Prozent erreichte, rund eine Stunde Roboterdaten pro Aufgabe und etwa dreifache Geschwindigkeit gegenüber dem bisherigen Stand der Technik. Die Ergebnisse sind Eigenangaben und nicht unabhängig überprüft.
Das US-Unternehmen Generalist AI hat mit GEN-1 ein Robotermodell vorgestellt, das nach eigenen Angaben bei einer Reihe von Manipulationsaufgaben im Schnitt 99 Prozent Erfolgsquote erreicht, nachdem es pro Aufgabe nur mit rund einer Stunde Roboterdaten feinjustiert wurde. Bekanntgegeben wurde das Modell am 2. April 2026 in einem Forschungsbeitrag. Der Vortrainingsdatensatz enthält laut Unternehmen überhaupt keine Roboterdaten.
Die Kernzahlen werden im Vergleich präsentiert. Bei Aufgaben, bei denen das Vorgängermodell GEN-0 im Schnitt 64 Prozent schaffte, kommt GEN-1 auf 99 Prozent, während von Grund auf trainierte Modelle 19 Prozent erreichen. Die Wartung eines Saugroboters stieg von 50 auf 99 Prozent, das Falten von Kartons von 81 auf 99 Prozent und das Verpacken von Smartphones von 62 auf 99 Prozent. GEN-1 erreiche zudem das Niveau von GEN-0 mit einem Zehntel der aufgabenspezifischen Daten, so Generalist.
Das zweite Argument ist Tempo. GEN-1 erledige Aufgaben etwa dreimal so schnell wie der bisherige Stand der Technik, heißt es. Einen Karton falte das Modell in 12,1 Sekunden, GEN-0 und π0 von Physical Intelligence bräuchten rund 34 Sekunden. Ein Smartphone verpacke es in 15,5 Sekunden. Partner im Early-Access-Programm konnten das Modell ab dem Tag der Ankündigung nutzen.
Was Generalist unterscheidet, ist die Datenstrategie. Statt teleoperierter Robotervorführungen stattet das Unternehmen Menschen mit günstigen tragbaren Geräten aus und zeichnet auf, wie sie mit Gegenständen umgehen. Der Vortrainingsbestand umfasst inzwischen mehr als eine halbe Million Stunden dessen, was Generalist hochauflösende physische Interaktionsdaten nennt. Roboterdaten kommen erst beim Feinjustieren hinzu, rund eine Stunde pro Aufgabe.
Generalist beschreibt GEN-1 als großes multimodales Modell, das in Echtzeit Aktionen ausgibt, und versteht es als System, zu dem auch Inferenz und Betriebsumgebung gehören. Größe und Architektur legte das Unternehmen nicht offen, und die Ergebnisse stammen aus eigenen Tests, nicht aus einem begutachteten Paper.
Die Veröffentlichung steht in einer Reihe. GEN-0 erschien am 4. November 2025, fünf Tage nach GEN-1 folgte am 7. April 2026 ein Beitrag mit dem Titel Going Beyond World Models & VLAs, und am 4. Juni meldete Generalist 400 Millionen Dollar neues Kapital unter Führung von Radical Ventures, womit die Gesamtfinanzierung über 500 Millionen Dollar stieg. Neu dabei sind 8VC, Union Square Ventures, Hanabi Capital und Norwest, bestehende Geldgeber sind unter anderem NVIDIA, Boldstart Ventures, Spark Capital, Bezos Expeditions und NFDG. Eine Bewertung nannte das Unternehmen nicht.
Der Wettbewerb ist dicht und kapitalstark. Physical Intelligence, Entwickler des als Tempomaßstab genutzten π0, schloss im November 2025 eine Series B ab. Skild AI sammelte im Januar 2026 1,4 Milliarden Dollar bei 14 Milliarden Dollar Bewertung ein, Figure AI im September 2025 eine Milliarde Dollar bei 39 Milliarden Dollar, jeweils laut eigenen Mitteilungen. Google DeepMind und NVIDIA veröffentlichen eigene Robotermodelle. Gegenüber Konkurrenten, die stark auf Roboterdaten aus Teleoperation oder Simulation setzen, ist der Fokus auf menschliche Daten eine eigenständige Wette.
Für die europäische Industrie ist der Ansatz aus zwei Gründen interessant. Fachkräfte in Fertigung und Logistik verfügen über genau das Handwerkswissen, das sich mit tragbarer Erfassung aufzeichnen ließe, und Anwender müssten keine eigenen Teleoperationsflotten aufbauen. Europäische Robotikfirmen wie Neura Robotics oder Humanoid, die im Juli 2026 152 Millionen Dollar bei 1,35 Milliarden Dollar Bewertung einsammelte, stehen vor der Frage, ob sie Daten selbst erzeugen oder Modelle wie GEN-1 lizenzieren. Datenschutz und Mitbestimmung würden bei der Aufzeichnung von Beschäftigten in Europa allerdings eigene Hürden setzen.
Die Vorbehalte sind erheblich. Die Zahlen sind Eigenangaben zu selbst gewählten Aufgaben. Der Beitrag räumt ein, dass nicht jede versuchte Aufgabe 99 Prozent erreichte und manche Anwendungen noch höhere Quoten oder Geschwindigkeiten bräuchten. Eine unabhängige Wiederholung gibt es nicht. Gezeigt wurden Tischaufgaben, für mobile oder humanoide Roboter sagen die Ergebnisse wenig.
- Wartung eines Saugroboters
- 99
- 50
- 2
- 49
- Kartons falten
- 99
- 81
- 13
- 18
- Smartphones verpacken
- 99
- 62
- 42
- 37
- Durchschnitt der drei Aufgaben
- 99
- 64
- 19
- 35
Werte laut Generalist AI vom 2. April 2026. Plus = GEN-1-Quote abzüglich GEN-0-Quote. Durchschnitte laut Unternehmen und konsistent mit den drei Einzelwerten. Versuchszahlen nicht offengelegt.
Stand: 1. Okt. 2026
- Generalist AI
- Wachstumsrunde (ohne Bezeichnung)
- 400.000.000
- Keine Daten
- 2026-06-04
- Skild AI
- Series C
- 1.400.000.000
- 14.000.000.000
- 2026-01-14
- Figure AI
- Series C
- 1.000.000.000
- 39.000.000.000
- 2025-09-16
- Walden Robotics
- Seed
- 300.000.000
- 1.100.000.000
- 2026-07-15
- Humanoid
- Series A
- 152.000.000
- 1.350.000.000
- 2026-07-21
- Physical Intelligence
- Series B
- Keine Daten
- Keine Daten
- 2025-11-20
Werte laut Unternehmen oder Investoren; null, wo nicht offengelegt. Generalist nannte weder Rundenbezeichnung noch Bewertung.
Stand: 1. Okt. 2026
ROBOTNESS-Analyse
GEN-1 ist der bislang stärkste öffentliche Hinweis, dass am Körper getragene Erfassung die Teleoperation als Hauptquelle für das Vortraining von Manipulationsmodellen ersetzen kann, doch die Aussage beruht auf Firmentests, die die Branche noch nicht geprüft hat.
Dafür spricht die Lücke zwischen Vortraining und Feinjustierung. Wenn ein Modell, das im Vortraining keine Roboterdaten sah, mit rund einer Stunde Daten pro Aufgabe 99 Prozent bei Saugroboterwartung, Kartonfalten und Smartphoneverpackung erreicht, lässt sich der teure Teil des Roboterlernens vom Roboter wegverlagern. Die zehnfache Datenersparnis gegenüber GEN-0 weist in dieselbe Richtung.
Das stärkste Gegenargument ist Auswahlverzerrung. Generalist wählte die Aufgaben, führte die Tests selbst durch und veröffentlichte ohne ein Protokoll wie das des TRI in Science Robotics mit Verblindung und Statistik. 99 Prozent bei wenigen Aufgaben und unbekannter Versuchszahl sind nicht 99 Prozent Zuverlässigkeit in einem Kundenwerk.
Optimistisches Szenario. Tragbare Erfassung skaliert schneller und billiger als Teleoperation, der Vorsprung von 500.000 Stunden wächst, und das Kapital vom Juni macht aus Early-Access-Partnern zahlende Einsätze. Wettbewerber müssen ähnliche Datenpipelines kaufen oder bauen.
Pessimistisches Szenario. Der Transfer von der menschlichen Hand versagt bei Aufgaben mit roboterspezifischer Dynamik, unabhängige Tests zeigen geringere Zuverlässigkeit, und kapitalstärkere Rivalen mit Roboterflotten holen auf. Ohne Bewertung und Kundennamen bleibt die kommerzielle Geschichte unbewiesen.
Signale, die zu beobachten sind:
- Ob Generalist bis Ende 2026 zahlende Kunden oder Einsatzorte für GEN-1 nennt.
- Unabhängige oder begutachtete Bewertungen der GEN-Modelle, etwa zur CoRL 2026.
- Wie Physical Intelligence, Skild AI und NVIDIA in ihren nächsten Modellen mit menschlichen Daten umgehen, und ob das am 19. August 2026 vorgestellte GEN-1.5 unabhängig getestet wird.
- 2. April 2026
- Generalist AI (Boston, San Francisco)
- Mehr als 500.000 Stunden menschliche Interaktionsdaten aus tragbaren Geräten, keine Roboterdaten
- Rund 1 Stunde
- 99 Prozent gegenüber 64 Prozent (GEN-0) und 19 Prozent (ohne Vortraining), Firmenangaben
- Etwa dreimal so schnell wie bisheriger Stand; Kartonfalten 12,1 s statt rund 34 s
- GEN-0-Niveau mit einem Zehntel der Aufgabendaten
- Early-Access-Partner ab 2. April 2026
- 400 Mio. Dollar unter Führung von Radical Ventures am 4. Juni 2026, insgesamt über 500 Mio. Dollar
Warum das wichtig ist
Die Wirtschaftlichkeit des Roboterlernens hängt bislang an den Kosten für Roboterdaten. Teleoperation braucht Roboter, Bediener und Zeit, und genau das ist die größte Hürde beim Anlernen neuer Aufgaben. GEN-1 behauptet, dass Vortraining mit menschlichen Daten aus tragbaren Geräten den Großteil dieser Arbeit übernehmen kann und nur rund eine Stunde Roboterdaten je Aufgabe übrig bleibt. Trifft das zu, verschiebt sich die Kostenstruktur der Branche hin zu günstiger menschlicher Erfassung.
Der zweite Grund sind die Zuverlässigkeitswerte. Kunden akzeptieren keine Roboter, die in hundert Versuchen mehrmals scheitern. Ein gemeldeter Sprung von 64 auf 99 Prozent bei denselben Aufgaben zielt auf die Kennzahl, die über Einsätze entscheidet, auch wenn die Bestätigung von außen fehlt.
Wettbewerbsanalyse
Der direkteste Rivale bei allgemeinen Manipulationsmodellen ist Physical Intelligence, dessen π0 Generalist als Tempomaßstab nutzte. Skild AI, im Januar 2026 mit 14 Milliarden Dollar bewertet, und Figure AI, im September 2025 mit 39 Milliarden Dollar bewertet, verfolgen allgemeine Roboterintelligenz mit großen Budgets. Google DeepMind und NVIDIA stellen Robotermodelle bereit, auf denen Partner aufbauen.
Generalists Alleinstellung ist die Datenquelle. Die meisten Rivalen setzen auf Teleoperation, Simulation oder Video. Ein eigenes Erfassungsprogramm mit tragbaren Geräten im Umfang von 500.000 Stunden ist eine andere Versorgungslinie und der am schwersten kopierbare Teil der Strategie. In Europa arbeiten Neura Robotics und Humanoid an eigenen Modellen und müssen entscheiden, ob sie diese Datenlogik übernehmen.
Bewertungskontext
Generalist meldete am 4. Juni 2026 400 Millionen Dollar neues Kapital unter Führung von Radical Ventures und eine Gesamtfinanzierung von mehr als 500 Millionen Dollar, ohne eine Bewertung zu nennen. Vergleichbare offengelegte Werte sind die Runde von Skild AI über 1,4 Milliarden Dollar bei 14 Milliarden Dollar im Januar 2026, die Milliardenrunde von Figure AI bei 39 Milliarden Dollar im September 2025 und die Series A von Humanoid über 152 Millionen Dollar bei 1,35 Milliarden Dollar im Juli 2026.
Die zwei Monate vor der Runde veröffentlichten GEN-1-Ergebnisse waren der wichtigste technische Beleg für Investoren. Dass NVIDIA zu den bestehenden Geldgebern zählt und Wachstumsinvestoren wie Norwest einstiegen, spricht dafür, dass Modellleistung und Datenumfang bepreist wurden und nicht Umsatz, der nicht offengelegt ist.
Folgen für die Lieferkette
Generalists Vortraining hängt an günstigen tragbaren Geräten und an Menschen, die damit physische Tätigkeiten ausführen. Die wichtigsten Inputs sind also Arbeitskraft, Erfassungshardware und Datenverarbeitung statt Roboterflotten. Hersteller der Geräte und Orte der Datenerhebung legte das Unternehmen nicht offen.
Auf Roboterseite braucht das Feinjustieren weiterhin rund eine Stunde Daten je Aufgabe. Dass GEN-1 als System mit eigener Inferenz vermarktet wird, deutet darauf hin, dass Generalist die Softwareschicht kontrollieren und mit fremder Roboterhardware arbeiten will. Für europäische Hardwarehersteller kann das Partnerschaft wie Abhängigkeit bedeuten.
Worauf jetzt zu achten ist
Kundennamen und Einsatzorte würden das Early-Access-Programm in einen Nachfragebeleg verwandeln. Unabhängige Benchmarks oder begutachtete Ergebnisse würden die 99-Prozent-Angaben prüfen. Der Beitrag zu GEN-1.5 vom 19. August 2026, der One-Shot-Lernen für sich beansprucht, zeigt, ob sich die Entwicklung fortsetzt.
Drittes Signal sind die Reaktionen der Konkurrenz. Betonen Physical Intelligence, Skild AI oder NVIDIA künftig menschliche Daten aus tragbaren Geräten, bestätigt das Generalists Datenthese.
Analystensicht
These: Am Körper getragene Erfassung ist ein glaubwürdiger Weg, das Vortraining für Manipulation zu skalieren, und GEN-1 verschafft Generalist einen Vorsprung, doch die Zuverlässigkeitsangaben brauchen externe Bestätigung, bevor sie als kommerzielle Tatsache gelten können. Konfidenz: mittel.
Für die These sprechen die konkreten Werte je Aufgabe, deren Übereinstimmung mit den Durchschnitten und die Reaktion der Investoren zwei Monate später. Dagegen stehen selbst gewählte Aufgaben, fehlende Versuchszahlen, fehlende Begutachtung und fehlende Kundennamen.
Offene Fragen
Wie viele Versuche stehen hinter jeder 99-Prozent-Angabe, und wie wurde Scheitern definiert? Auf welcher Roboterhardware wurde feinjustiert und getestet, und gilt die Ein-Stunden-Anforderung auch für andere Arme oder Hände?
Was kostet eine Stunde menschlicher Erfassung im Vergleich zur Teleoperation? Und welche Early-Access-Partner sind bereits zu bezahlten Einsätzen übergegangen?