AA-Robotics: Astra 69 – 30 min, 16 dollar, 100x

Artificial Analysis slipper 14. oktober AA-Robotics v0.1. Fem frontmodeller får en Hiwonder NexArm, fire kameraer og en setning om hva som skal skje. Ingen finjustering. Ingen coaching. Null-skudd. GPT-6 Astra lander 69. GPT-6.1 Sol 65. Gemini 4 Argon 55. Claude Opus 5.5 49. Claude Fable 5.1 46. Mennesket bruker 20 sekunder. Modellene bruker rundt 30 minutter. Det er omtrent 100 ganger tregere. Sol koster 1,93 dollar per oppgave. Astra 16,36. Mennesket, priset til 37,81 dollar i timen, koster 0,21. Produksjon er det ikke.

For CIO og CISO er poenget ikke at en arm trykket på en rød knapp. Poenget er at generell språkmodell i kodeagent nå kan styre fysisk utstyr, og at den ikke vet når den er ferdig.

Hva som ble målt

Åtte bordoppgaver. Trykk på rød knapp. Legg krokodilleleken i rektangelet. Hell drikke i koppen uten søl. Rydd fire klosser i esken og sett lokket på. Match former mot et bilde. Skriv «hello world» med tusj inne i en svart ramme. Bygg høyest mulig tårn av skumklosser. Mål esken innen 2 millimeter.

Armen har fem ledd og en gripper. Modellene kjører i isolert container. De får en HTTP-API, modellnavnet på armen, og fire bilder: tre rundt bordet, ett på håndleddet. De skriver kode, sender bevegelser, og sier ifra når de mener oppgaven er ferdig. Et menneske scorer sluttbildet. Full treff gir 100. Delvis treff gir poeng. Alle forsøk er zero-shot.

GPT kjører i Codex. Claude i Claude Code. Argon i Antigravity. Alle på høy innsats.

Hva som faktisk gikk

Alle fem treffer 100 på knappen og på krokodillen. Der stopper enigheten.

Helle i kopp: Astra 100, Argon 100, Sol 0, Opus 25, Fable 30. Rydde esken: bare Sol 100, de andre 40. Formmatching: Sol og Fable 100, Astra 44, Opus 38, Argon 0. Skrive hello world: Astra og Sol 100, Argon og Opus 45, Fable 0. Tårn: Astra 71, Argon 57, Opus 25, Sol og Fable 0. Måle esken: nesten null. Sol og Opus 17. Resten 0.

Grep-suksess, altså holde riktig gjenstand gjennom løft, er 45 prosent for Astra, 44 for Fable, 40 for Opus, 36 for Argon, 28 for Sol. Sol grep oftere, og bommet oftere.

Tid: Sol 28,1 minutter i snitt, Astra 30,3, Fable 31,2, Opus 31,7, Argon 52,4. Argon bruker 21 minutter på å se og tenke før første bevegelse, nesten dobbelt så lenge som de andre. Astra trykket knappen på 2,2 minutter. Fable brukte ti minutter før den rørte armen. På krokodillen sa Sol ferdig etter fem minutter. Opus brukte 45.

Kostnad: 70 prosent av pengene går til input. Konteksten er bilder og lang planlegging, ikke korte kommandoer. Astra koster mer enn åtte ganger Sol for fire poeng mer. Det er FinOps, ikke pynt.

Når den ikke vet at den er ferdig

Sol bygger et godkjent tårn etter omtrent 17 minutter, og ødelegger det etterpå. Modellene fortsetter å «forbedre» etter at pass-kriteriet er innfridd. De avslutter når de tror de er ferdige, eller gir opp. Feilgrep, feilplassering, mistet grep og dårlig fysisk resonnering er vanlige. Måleoppgaven, 2 millimeter, skiller dem hardt.

Artificial Analysis skriver at fremtidens robotikk sannsynligvis involverer sterke generalister, og at det er verdt å spore språkmodeller på fysiske oppgaver selv om de er uegnet i produksjon alene. De forventer at tid og kostnad faller fort. I dag er de to størrelsesordener bak mennesket på tid, og omtrent ti ganger dyrere enn et menneske på USAs gjennomsnittslønn.

Hva styret og CISO må ta stilling til

Tre beslutninger denne uken.

En: hvor generell språkmodell får styre aktuatorer. HTTP mot en lab-arm er et kontrollplan. Samme mønster mot truck, lager, lab eller produksjonslinje er OT. Hvis agenten kan sende leddkommandoer, er det ikke lenger en chatflate. Det er et system med bevegelse, klemkraft og stoppkriterier.

To: stoppkriteriet. AA-Robotics viser at modellen selv er en dårlig dommer for «ferdig». Sol ødela et tårn den allerede hadde bygget. I produksjon er det skade, ikke poengtrekk. Kreve ekstern sensor, menneskelig bekreftelse, eller hard timeout før neste trekk. Ikke la agenten eie både plan og sluttattest.

Tre: harness og kostnad. Astra i Codex, Claude i Claude Code, Argon i Antigravity. Samme modell, ulik sløyfe, ulik pris. 16 dollar og en halvtime per bordoppgave er ikke lagerautomatisering. 1,93 dollar for Sol er billigere, og svakere på grep. Før PoC mot fysisk utstyr: isolert nett, ingen vei til produksjons-PLC, logging av hver kommando, og et eksplisitt nei til at agenten erklærer suksess alene.

Risikoen er å lese 69 som «robotikk er løst». Det er det ikke. Det er et forskningsforhåndsvisning på åtte leker. Risikoen den andre veien er å avfeie det som demo. For tre år siden kunne ikke en språkmodell styre armen. Nå kan den, sakte og dyrt, og den vet ikke når den skal stoppe.

Kilder og medier

Primærkilde: Artificial Analysis, «Welcome to the era of embodied AI: Introducing AA-Robotics v0.1», 14. oktober 2026. https://artificialanalysis.ai/articles/aa-robotics

Artificial Analysis, X, 14. oktober 2026: https://x.com/ArtificialAnlys/status/2110500262628806787

Thumbnail: OpenAI Image 2 / hogby.ai