Dream Labs Dream-1: das 3-Dollar-pro-Stunde Robotergehirn erklärt

TL;DR

Dream-1 ist ein Robotergehirn, das Sie stundenweise mieten können. Dream Labs veröffentlichte es am 19. Oktober 2026 als öffentliche API, die zweiarmige Roboter mit Parallelgreifern steuert, einschließlich Robotern, auf denen es nie trainiert wurde, für 3 $ pro Stunde (2 $ für das leichtere Dream-1-flash). Sie senden Kamerabilder, die Armpositionen und eine Aufgabe in einfachem Englisch. Das Modell sendet die nächsten 1,6 Sekunden der Bewegung zurück.

Die Schlagzeilen-Zahlen sind echt, ebenso wie der Haken. In einem unabhängigen Benchmark von Robocurve erreichte es 59 Punkte gegenüber 48 für Claude Opus 5.5 und Gemini 4 Argon. Aber die eigenen Tabellen von Dream Labs zeigen eine Erfolgsquote von bestenfalls 40 % bei vollständigen Aufgaben auf dem hauseigenen Roboter und nur 6 % bei der Werkzeugbenutzung. Der CEO nennt es eine „Forschungs-Beta“. Es ist ein großer Schritt für Hobbybastler und kleine Roboterhersteller, aber noch kein Ersatz für einen Lagerarbeiter.

Wenn Ihre Arbeit Software betrifft und nicht Roboterarme, existiert die nützliche Version dieser Idee bereits. Ein Robotermodell ist Infrastruktur; eesel ist der Mitarbeiter: einsatzbereite KI-Teamkollegen für Ihren Helpdesk und Ihren Blog. Ein Unternehmen für Industrieautomation nutzt einen solchen Teamkollegen, um für jedes Engineering-Support-Ticket einen Antwortentwurf zu erstellen, noch bevor ein Mensch es öffnet. Die Kosten für eesel AI belaufen sich auf 0,40 $ pro Ticket/Chat-Sitzung und 4,00 $ pro Blog-Post, bei einer kostenlosen Testphase von 50 $ ohne monatliche Fixkosten.

Was ist Dream-1 von Dream Labs?

Dream-1 ist ein Roboter-Basismodell (Foundation Model), das Dream Labs als ein „World Action Model“ (Welt-Aktions-Modell) beschreibt. Vereinfacht gesagt hat es anhand von Videos gelernt, wie sich Szenen verändern, und verknüpft dieses Verständnis dann mit den Bewegungen von Roboterarmen. Der Launch-Post fasst das Versprechen zusammen: Geben Sie ihm einen neuen zweiarmigen Roboter mit Parallelgreifern, verbinden Sie ihn mit der API, und er beginnt Aufgaben „out of the box“ zu erledigen, ohne Feinabstimmung und ohne Demonstrationen durch diesen speziellen Roboter.

Ich entwickle beruflich KI-Agenten bei eesel. Wenn ich Launch-Posts wie diesen lese, stelle ich mir eine ganz bestimmte Frage: Was empfängt das Modell wirklich und was gibt es zurück? Die Antwort von Dream-1 ist erfreulich konkret. Auf der Homepage heißt es, dass Sie „Kamerabilder, den aktuellen Zustand des Roboters und eine Aufgabe senden“ und Dream-1 „die Aktionen zurückgibt, die Ihr Roboter zur Ausführung benötigt“. Das ähnelt einem LLM-Tool-Aufruf, wie ihn KI-Agenten den ganzen Tag tätigen, außer dass die Ausgabe aus Gelenkwinkeln statt aus Text besteht.

Der Fokus ist heute bewusst eng gesetzt. Dream Labs sagt, Dream-1 sei „eine Manipulationsrichtlinie für bimanuelle Roboter mit Parallelgreifern“, was zwei Arme mit jeweils einer einfachen zwei-Finger-Zange bedeutet. Mobile Roboter und geschickte Hände (Dexterous Hands) werden als zukünftige Arbeit aufgeführt. Diese Eingrenzung ist wichtig für alles, was folgt, da die meisten beeindruckenden Ergebnisse genau innerhalb dieses Rahmens liegen.

Es war ein ereignisreicher Monat. Robotergehirne sind das diesjährige Rennen um die Grenzmodelle (Frontier Models), wobei auch Skild AIs S1 Aufgaben aus einem einzigen Video lernt und Google Gemini 4 Argon für die Robotik vorantreibt. Dream Labs liefert den Teil, den diese anderen Veröffentlichungen meist vermissen lassen: eine öffentliche API mit einem Preis pro Stunde.

Wie funktioniert ein World Action Model?

Ein World Action Model sagt in einem einzigen Schritt voraus, wie die nächsten Videoframes aussehen werden und was die Arme tun sollten. Dream Labs vertritt die Ansicht, dass „einen Roboter zu steuern und sich vorzustellen, was dieser Roboter tun wird, dasselbe Problem sind“. Jeder Roboter erscheint dem Modell auf die gleiche Weise: als Pixel.

Hier ist die Schleife, wie sie auf der Forschungsseite dargestellt wird:

1. Beobachten. Drei Kameras liefern Daten: eine Kopfansicht und eine Handgelenksansicht pro Arm. Hinzu kommen der Armzustand und der Aufgabentext.
2. Vorhersagen. Das Modell generiert gemeinsam „imaginierte Frames“ der nahen Zukunft und einen Aktionsblock für die Arme.
3. Handeln. Der Roboter führt den Block aus. Jeder API-Aufruf deckt 1,6 Sekunden Bewegung ab.
4. Korrigieren. Der reale Kamera-Frame ersetzt den imaginierten, und die Schleife beginnt von vorn.

Der clevere Teil liegt im Aktionsformat. Dream-1 kann Gelenkwinkel für Roboter ausgeben, die es kennt, aber es kann auch Endeffektor-Posen ausgeben: Wo sich jeder Greifer befinden soll und ob er offen oder geschlossen ist. Jeder zweiarmige Roboter mit Parallelgreifern teilt diese Sprache, und sein eigener Inverse-Kinematics-Solver (IK-Solver) – die Mathematik, die „bringe den Greifer hierhin“ in Motorwinkel umrechnet – übernimmt die Übersetzung. Dream Labs gibt offen zu, dass dies auch ein Schwachpunkt ist: Die Zero-Shot-Leistung „hängt teilweise vom IK-Solver Ihres Roboters ab“.

Die Idee ist für dieses Team nicht neu. Die Gründer veröffentlichten im Februar 2026 DreamZero, das Paper, das World Action Models einführte. DreamZero nutzte ein 14B-Parameter Video-Diffusionsmodell bei 7Hz und passte sich mit 30 Minuten Daten an den YAM-Roboter an. Dies sind die Zahlen von DreamZero, nicht von Dream-1; Dream Labs hat die Größe von Dream-1 bisher nicht veröffentlicht.

Welche Roboter kann Dream-1 steuern?

Dream-1 wurde an nur einem Roboter trainiert, dem I2RT YAM, und Dream Labs hat getestet, wie weit dieser Transfer reicht. Die Antwort: 27 ungesehene Roboter in der Simulation und 4 ungesehene echte Roboter, bewertet im Verhältnis zum YAM bei 100 %.

Die Ergebnisse mit echten Robotern wurden laut dem Launch-Post mit früheren Dream-1-Checkpoints erzielt, die diese Roboter nie gesehen hatten. In der Simulation ist die Streuung größer. Der zweiarmige PiPER behielt 91,2 % des YAM-Scores bei, während der Bracket Bot auf 36,6 % abfiel. Dazwischen liegen bekannte Forschungsroboter wie ALOHA (63,1 %), der 18 Jahre alte PR2 (73,8 %), ein Paar UR5e-Arme (69,8 %) und der Hugging Face-freundliche SO-101 (54,2 %). Jeder simulierte Roboter absolvierte 300 Durchläufe: 150 Tests, ob er Anweisungen folgt, und 150 bei Aufgaben, die er noch nicht gesehen hatte.

Meine Interpretation ist, dass der Score umso mehr sinkt, je stärker ein Roboter von der Form des YAM abweicht. Das ist keine Kritik, sondern erwartbar, und Dream Labs veröffentlicht die schlechten Zeilen neben den guten. Ein interessantes Detail von Dream Labs Forscher Jeremy Collins: Dream-1 „wurde noch nie an einem einzigen Frame einer Simulation trainiert“, sodass selbst die Simulationsergebnisse eine Form von Real-to-Sim-Transfer sind.

Wie gut ist Dream-1 wirklich?

Besser als Allzweck-KI-Modelle in der Robotersteuerung, aber immer noch weit entfernt von Zuverlässigkeit. Beide Hälften dieses Satzes stammen aus Zahlen, die Dream Labs selbst veröffentlicht hat, was ich respektiere.

Beginnen wir mit der guten Hälfte. Robocurve, ein gemeinnütziges Unternehmen, das Robotikfähigkeiten misst, hat Dream-1 vor dem Launch mit dem RoboDojo-RC Tier 1 Benchmark evaluiert, mit 120 realen Versuchen pro Konfiguration.

Der Launch-Post ergänzt, dass Dream-1 16-mal weniger pro Aufgabenversuch kostet als Gemini 4 Argon und 1,7-mal schneller läuft als GPT-6 Astra. Das Argument ist, dass LLMs „hervorragend im Planen“ sind, Roboter aber „immer noch ein schnelles, allgemeines System 1 zum Handeln benötigen“. Diese Einordnung ist fair: Ein Frontier-LLM, das über jeden Griff nachdenkt, ist langsam und teuer, was man an der Preisgestaltung von Gemini 4 Argon sehen kann.

Nun zur ehrlichen Hälfte. Auf dem eigenen Roboter berichtet Dream Labs über die Erfolgsraten nach Aufgabentyp, und diese sind recht niedrig.

Eine Erfolgsquote von 40 % beim Pick-and-Place bedeutet, dass der Roboter die Aufgabe in der einfachsten Kategorie weniger als die Hälfte der Zeit abschließt. „Fortschrittswerte“ (Teilerfolge) sind höher und liegen zwischen 42 % und 69 %, sodass der Arm meist etwas Nützliches erreicht, bevor er patzt. Dream Labs sagt es deutlich: „Robotik wird nicht am ersten Tag gelöst sein.“

Die schärfste Kritik auf Hacker News kam von einem Kommentator, der hinter die Demos blickte:

„Wenn man sich ansieht, was sie tatsächlich demonstrieren, beschränkt sich die Zero-Shot-Verkörperungs-Generalisierung darauf, Zwei-Finger-Greifer an zwei stationären Armen zu steuern. Die Verkörperungen sind sich alle sehr ähnlich, und wenn sie sich leicht unterscheiden (selbst wenn man nur zwei Finger durch fünf ersetzt), funktioniert Zero-Shot nicht mehr.“

: modeless, Hacker News

Das ist ein berechtigter Punkt und deckt sich mit der eigenen Scope-Aussage von Dream Labs. Die Frage ist, ob „zwei Arme, zwei Finger“ eine Nische oder ein Markt ist. Dream Labs wettet darauf, dass es ein Markt ist: Sie geben an, dass ein zweiarmiges Setup jetzt „schon für 2.000 $“ zu haben ist und dass Hugging Faces „399 $“ Microduck innerhalb von vier Tagen über 10.000 Einheiten verkaufte.

Wie viel kostet Dream-1?

Dream-1 kostet 3 $ pro Stunde Roboterlaufzeit, und Dream-1-flash kostet 2 $ pro Stunde. Im Launch-Post von Dream Labs wird vorgerechnet: Jeder Aufruf liefert 1,6 Sekunden an Aktionen, eine Stunde entspricht also 2.250 Aufrufen oder etwa 0,0013 $ pro Aktion für Dream-1 und 0,0009 $ für flash.

Die Zeilen für Schicht- und Monatskosten sind meine eigenen Berechnungen auf Basis der Stundensätze von Dream Labs. Der Preis für die Feinabstimmung stammt von der Entwicklerplattform, die angibt, dass ein Auftrag „zum Zeitpunkt der Erstellung“ 200 $ kostet, etwa 4 bis 5,5 Stunden dauert und feinabgestimmte Modelle zum gleichen Satz wie das Basismodell abgerechnet werden. Weitere Details zur Abrechnung:

• Prepaid-Guthaben. Sie laden zwischen 5 $ und 10.000 $ auf, mit einem optionalen monatlichen Ausgabenlimit. Nur erfolgreiche Anfragen werden berechnet.
• Gratis-Guthaben. Das Hinterlegen einer Karte schaltet Gratis-Guthaben frei, um Dream-1 zu testen; die Höhe wird nicht veröffentlicht.
• Keine Rückerstattung für nicht genutztes Guthaben, und Dream Labs bezeichnet den Dienst als „experimentelle Beta-Forschungsvorschau“.

Was mir an dieser Preisgestaltung gefällt, ist, dass sie in einer Einheit erfolgt, in der ein Roboterbauer denkt. Ein Preis pro Token, wie man ihn für GPT-6 Astra oder Claude Opus 5.5 zahlen würde, zwingt einen dazu, zu raten, wie viele Token ein Griff kostet. Ein Stundensatz ermöglicht den direkten Vergleich mit den Kosten für eine Person, die dieselbe Aufgabe erledigt. Genau diesen Vergleich möchte Dream Labs forcieren: „Sie behalten alles, was über den Stundenkosten liegt.“

Wie verwendet man Dream-1 eigentlich?

Es gibt drei Wege, und nur für einen davon benötigt man einen Roboter. Auf der Homepage von Dream Labs werden die Dream API, Feinabstimmung und ein Robot Playground aufgeführt.

Der Playground ist der schnellste Weg, um sich eine Meinung zu bilden. Sie geben eine Aufgabe ein, und ein echter Roboter im Labor von Dream Labs in San Francisco oder ein simulierter Roboter unternimmt einen Versuch. Frühe Tester auf Hacker News erhielten gemischte Ergebnisse: Einer berichtete, dass „setze die Krone auf den Becher“ „teilweise erfolgreich“ war, ein anderer stellte fest, dass „wirf den Block vom Tisch“ überhaupt nicht funktionierte.

Die API besteht aus einem Python-Client. Der Launch-Post zeigt den Aufbau: Erstellen Sie einen DreamClient mit Ihrem Key, wählen Sie den Checkpoint dreamlabs/dream-1, senden Sie eine Beobachtung und rufen Sie get_action() in einer Schleife auf. Dahinter beschreibt die Dokumentation, wie base64-kodierte Kamerabilder plus Armzustand eingehen und 48 Aktionszeilen pro Aufruf zurückkommen. Ein Nachtrag des Teams erwähnt ein winziges „System 0“ – ein Netzwerk mit 100.000 Parametern, das auf der CPU des Roboters läuft, um diese Blöcke zu glätten und die Verzögerung auf etwa 75 ms zu reduzieren.

Feinabstimmung ist für Roboter gedacht, die nicht durch Zero-Shot abgedeckt werden. Sie laden Demonstrationen hoch, und Dream Labs stellt Ihnen eine Modell-ID zur Verfügung. Die Beispiele sind recht klein: 5 Minuten Daten reichten aus, um Verbesserungen bei Maker Arm und reBot zu erzielen, während ein Dexmate-Roboter mit geschickten Händen 77 Minuten benötigte. Bei 12 Partnerrobotern verbesserte die Feinabstimmung den Instruction-Following-Score bei 10 Modellen, mit großen Sprüngen wie beim AI Worker von 44 % auf 84 %. Zwei verschlechterten sich: Bracket Bot (32 % auf 31 %) und Unitree R1 (42 % auf 31 %).

Dream Labs führte auch eine Beta-Phase mit 12 externen Standorten durch, darunter Hugging Face in Paris, Scale AI in San Francisco und AgiBot in Shanghai. Die Demo-Videos sind 4- bis 8-mal beschleunigt, was man im Hinterkopf behalten sollte, wenn sie so reibungslos aussehen.

Wer steckt hinter Dream Labs?

Dream Labs ist ein kleines Team in San Francisco mit beachtlicher Erfahrung bei NVIDIA. Die vier Mitbegründer sind laut dem Investor Kindred Ventures:

Das Unternehmen trat am Tag der Veröffentlichung mit einer 90-Millionen-Dollar-Seed-Runde an die Öffentlichkeit, angeführt von B Capital mit Kindred Ventures, sowie Wing VC, Unusual Ventures, SV Angel und Hugging Face CTO Thomas Wolf, unter anderem. In Wing VCs Investitionsnotiz wird besonders hervorgehoben, dass sich das Team mit „nur fünf Minuten“ an Daten an neue Roboter anpassen kann. Die Team-Seite zeigt etwa ein Dutzend Personen mit Stationen bei NVIDIA, Google DeepMind, Ai2, Toyota Research Institute, Stanford, Berkeley und Georgia Tech.

Es liegt eine gewisse Ironie in der Benchmark-Tabelle: GR00T N1.7, das NVIDIA-Modell, an dem mehrere Gründer gearbeitet haben, erreichte nur einen Wert von 10. Allerdings sind dies unterschiedliche Ansätze: GR00T besteht aus Open-Weights, die Sie selbst betreiben; Dream-1 ist eine gehostete API.

Wie schneidet Dream-1 im Vergleich zu anderen Robotermodellen ab?

Der eigentliche Unterschied von Dream-1 ist nicht die Punktzahl, sondern das Zugangsmodell. Die meisten konkurrierenden Robotergehirne sind entweder Open-Weights, die Sie selbst hosten müssen, oder geschlossene Systeme, die Sie nicht kaufen können.

Ein Hacker-News-Kommentator brachte den Unterschied im Zugang im Vergleich zum Angebot von Physical Intelligence treffend auf den Punkt:

„Die API von Physical Intelligence erfordert eine Feinabstimmung für die Aufgabe/den Roboter, während das Dream-1-Modell eine API bietet, die Zero-Shot beherrscht (natürlich mit großen Einschränkungen, aber dennoch cool).“

: GaggiX, Hacker News

Wenn Sie über GPUs und Robotik-Ingenieure verfügen, bieten offene Modelle wie pi0 oder GR00T mehr Kontrolle. Wenn Sie jedoch einen 2.000-Dollar-Arm-Bausatz und ein freies Wochenende haben, ist Dream-1 der kürzeste Weg von der „Verpackung“ zu „er hat eine Banane bewegt“. Genau das ist das Publikum, das Dream Labs ansprechen möchte: „Konsumenten, Prosumer und kleine Teams, keine Großunternehmen.“

Was sagen die Leute über Dream-1?

Die Reaktionen lassen sich vorhersehbar aufteilen: Entwickler sind begeistert von der API, während Automatisierungsveteranen von den Demos unbeeindruckt bleiben. CEO Joel Jang dämpfte die Erwartungen bereits am Veröffentlichungstag selbst:

„Dream-1 ist immer noch eine Forschungs-Beta, und es wird Fehler machen.“

: Joel Jang, X

Die deutlichste Skepsis kam von jemandem, der angab, in der Fertigungs- und Lagerautomatisierung gearbeitet zu haben:

„Alles an dieser Seite erweckt bei mir den Eindruck, als sei sie für Investoren und nicht für Kunden optimiert worden. Warum sollten sie ein buchstäbliches Spielzeug als Paradebeispiel für Automatisierungsarbeit anführen?“

: Aurornis, Hacker News

Eine ausgewogenere Einschätzung kam von einem OpenCV-Experten, die meiner eigenen Sichtweise nahekommt:

„Ich würde gerne wissen, wo dieser Transfer scheitert: ungewohnte Arbeitsbereiche, schlechte IK und neue Greiferdesigns. ... Ausgewählte, beschleunigte Demos sind kein Zuverlässigkeitstest. Ich habe Dream-1 noch nicht selbst getestet.“

: Satya Mallick, X

Meiner Meinung nach hat Dream Labs die weniger glamourösen Dinge richtig gemacht. Sie haben ihre Fehlerraten veröffentlicht, das Produkt pro Stunde bepreist und Fremden erlaubt, einen echten Roboter über das Internet zu steuern. Die offene Frage bleibt die Zuverlässigkeit bei langen, unordentlichen und realen Aufgaben. Nichts in der Veröffentlichung beantwortet das bisher. Es ist ratsam, auf unabhängige Ergebnisse außerhalb der YAM-Familie zu warten, bevor man ein Produkt darauf aufbaut.

Was Dream-1 bedeutet, wenn Sie keine Roboter bauen

Die interessanteste Aussage in der gesamten Veröffentlichung stammt von einem Dream Labs Forscher: „Ein Modell wie Dream-1 wird bald ein Tool-Aufruf für LLMs sein“. Das schrieb Jeremy Collins auf X und beschreibt damit, wohin sich KI auf beiden Seiten des Bildschirms entwickelt. Ein intelligenter Planer entscheidet, was zu tun ist, und ein schnelles, spezialisiertes Modell führt es aus.

Dream-1 ist in diesem Bild die Infrastruktur. Dream Labs sagt es ganz klar: „Wir sind das Gehirn, nicht der Körper.“ Jemand muss den Körper immer noch bauen, verkabeln und auf eine Aufgabe ansetzen. Bei Software-Aufgaben muss dieser „Jemand“ nicht Ihr Engineering-Team sein. eesel ist eher der Mitarbeiter als der Motor: Sie stellen heute einen einsatzbereiten Teamkollegen für eine definierte Aufgabe ein – entweder den KI-Helpdesk-Teamkollegen oder den KI-Blog-Schreiber – und er bringt die Integrationen und den Unternehmenskontext für diese Rolle bereits mit. In diesem Erklärvideo zum KI-Mitarbeiter gehe ich näher auf diese Unterscheidung ein.

Dies ist auch der relevanteste Anwendungsfall für Menschen, die Roboter bauen. Hardware-Unternehmen erhalten technische Supportfragen zu Verkabelung, Einstellungen und Konfigurationen. Ein Unternehmen für Industrieautomation stellte seine technische Bibliothek hinter einen eesel-Chat – eine Form der KI-Dokumentationssuche, die nur aus eigenen Dokumenten antwortet und die Quelle verlinkt. Bei jedem neuen Support-Ticket hinterlässt der eesel-Teamkollege einen Antwortentwurf mit einem Konfidenzniveau als interne Notiz, den ein Ingenieur dann bearbeitet und versendet. eesel schreibt dort nie eigenständig an einen Kunden. Ihr Dokumentationsmanager sagte, eesel habe schon beim ersten Gespräch „einen Proof-of-Concept auf Basis unserer eigenen Produktmaterialien“ erstellt.

Und wenn Ihnen die Idee des „Tool-Aufrufs“ gefällt: eesel funktioniert für Software bereits so. Die eesel CLI ermöglicht es Ihnen, denselben Teamkollegen über ein Terminal zu steuern: Überprüfen Sie die letzten Durchläufe mit eesel activity, genehmigen oder verweigern Sie ausstehende Aktionen mit eesel approvals oder bearbeiten Sie die Regeln mit eesel instructions. Jeder Befehl gibt JSON aus, schreibt Support-Antworten mit --dry-run, und Coding-Agenten wie Claude Code können ihn direkt ansteuern, unter anderem über den MCP-Server von eesel. Es ist dasselbe Muster „Planer ruft Ausführer auf“, nur ohne die Roboterarme.

Roboter, die beim ersten Versuch Geschirr abräumen, werden kommen, vielleicht früher, als die 40-Prozent-Marke vermuten lässt. Ein KI-Teamkollege, der Ihre Support-Warteschlange abarbeitet, ist jedoch bereits da. Meine Übersicht über die besten KI-Teamkollegen zeigt, wie die Optionen im Vergleich abschneiden. Testen Sie eesel kostenlos für bis zu 50 $ und sehen Sie, was ein Teamkollege mit Ihren Tickets der letzten Woche macht. Die Preise von eesel AI liegen danach bei fairen 0,40 $ pro Ticket/Chat-Sitzung und 4,00 $ pro Blog-Post.