Stell dir vor, du zeigst einer KI ein Foto von einem chaotischen Schreibtisch und fragst: Wo liegt der rote Stift relativ zur Kaffeetasse? Klingt einfach — für Menschen. Für Bild-KI-Modelle ist das bis heute überraschend schwer. Sie sehen zwar, was auf dem Bild ist, aber sie verstehen nicht, wie die Dinge zueinander im Raum liegen. Genau das hat jetzt ein Forschungsteam gelöst — und zwar ohne ein neues Modell zu trainieren. Servus, ich bins, Lissy. Heute geht es um SpatialClaw, einen Ansatz, der Code zum Universal-Interface für räumliches Denken macht. Dazu: Google zeigt, dass Textgeneration 4x schneller sein kann — durch Diffusion statt Autoregression. Und ein Open-Source-Tool, das deine Stimme bewahrt, wenn KI deine Texte bearbeitet. Fangen wir mit dem Deep Dive an.
Fangen wir mit einem Problem an, das die KI-Forschung seit Jahren beschäftigt: Vision-Language-Modelle können beeindruckend viel — sie erkennen Objekte, beschreiben Szenen, beantworten Fragen zu Bildern. Aber sobald es um räumliche Beziehungen geht, werden sie unsicher. Wo liegt Objekt A relativ zu Objekt B? Ist der Stuhl vor oder neben dem Tisch? Welcher Weg führt um das Hindernis herum? Das sind Fragen, die Menschen instinktiv beantworten — und die VLMs regelmäßig falsch liegen.
Bisher gab es zwei Ansätze, um das zu lösen. Entweder man trainiert spezialisierte Modelle, die auf räumliche Aufgaben getrimmt werden — teuer, aufwändig, nicht übertragbar. Oder man baut Tool-Calls, die der KI erlauben, externe Funktionen aufzurufen — starr, vordefiniert, unflexibel.
SpatialClaw macht etwas komplett anderes. Statt die KI zu zwingen, räumliche Konzepte in ihrem neuronalen Netz zu lernen, gibt man ihr einen Python-Interpreter, in den sie beliebigen Code schreiben kann. Klingt simpel, ist aber extrem clever. Das Team aus Singapur und China startet einen stateful Python-Kernel, in dem alle eingehenden Bilder und eine Bibliothek von Wahrnehmungs-Werkzeugen bereitliegen — Abstandsmessung, 3D-Rekonstruktion, Objektsegmentierung, geometrische Transformationen. Der VLM-Agent schreibt dann Schritt für Schritt Python-Code, eine Zelle nach der anderen. Jede Zelle sieht, was die vorherige produziert hat — Text, Visualisierungen, Fehler. Der Clou: Der Agent kann seine Strategie dynamisch anpassen. Wenn die erste 3D-Rekonstruktion zu grob ist, macht er eine feinere. Wenn er merkt, dass ein Objekt im Schatten liegt, wechselt er zu einem anderen Wahrnehmungs-Werkzeug.
Das ist der entscheidende Unterschied zu bisherigen Ansätzen. Einmal-Code-Ausführung (einmal generieren, einmal ausführen, Ergebnis nehmen) oder starre Tool-Calls (vordefinierte Funktionen mit fixen Parametern) geben dem Modell keine Möglichkeit, aus Zwischenergebnissen zu lernen. Der stateful Kernel erlaubt genau das: Der Agent sieht, was sein Code produziert hat, und kann im nächsten Schritt darauf reagieren.
Und die Zahlen sind beeindruckend. Über 20 verschiedene räumliche Benchmark-Tests erreicht SpatialClaw 59,9 Prozent Durchschnittsgenauigkeit — 11,2 Punkte mehr als der bisher beste räumliche Agent. Die Verbesserung hält über sechs verschiedene VLM-Modelle hinweg konsistent. Kein Modelltraining nötig, kein Fine-Tuning, keine spezialisierten Gewichte. Einfach Code.
Was heißt das praktisch? Stell dir vor, ein KI-Assistent kann in Zukunft nicht nur sagen, was auf einem Foto ist, sondern dir genau erklären, wo die Dinge liegen. Für Roboter, die durch Wohnungen navigieren müssen. Für medizinische Bildanalyse, wo die relative Position von Organen entscheidend ist. Für Logistik, wo Pakete im Raum erkannt und sortiert werden müssen. Oder für Augmented Reality, wo digitale Objekte korrekt im physischen Raum platziert werden. All das ohne dass jemand ein spezialisiertes Spatial-Modell trainieren muss — der Code-Interpreter macht den Job.
Der Haken: 59,9 Prozent sind ein großer Sprung, aber noch kein Durchbruch. Die absolute Genauigkeit zeigt, dass noch viel Luft nach oben ist. Und der Ansatz kostet Latenz — zwei- bis fünfmal langsamer als direkte Inferenz, weil jeder Schritt einen Python-Durchlauf braucht. Aber als training-freier Ansatz, der auf jedes VLM aufsetzbar ist, ist SpatialClaw ein echter Fortschritt.
Spannend finde ich die übergreifende Idee. Hier passiert etwas, das über räumliches Reasoning hinausgeht: Code wird zum Universal-Interface für KI-Reasoning. Statt für jede neue Aufgabe ein Modell zu trainieren, gibst du der KI die Fähigkeit, selbst Programme zu schreiben, die das Problem lösen. Das erinnert mich an die frühen Tage von CRISPR — als klar wurde, dass eine universelle Technik die mühsame Einzelfall-Arbeit ersetzt. Code statt Training ist vielleicht der gleiche Typ von Hebel.
Weiter geht es mit Google. Was, wenn Textgeneration nicht mehr Wort für Wort passiert, sondern in ganzen Blöcken auf einmal? Genau das macht DiffusionGemma. Statt wie klassische LLMs Token für Token vorherzusagen, generiert das Modell ganze Textabschnitte parallel. Das Ergebnis: bis zu 4x schnellere Ausgabe auf dedizierten GPUs — über 1000 Token pro Sekunde auf einer H100, 700 auf einer RTX 5090. Das Modell hat 26 Milliarden Parameter im Mixture-of-Experts-Design, ist unter Apache-2.0-Lizenz veröffentlicht und baut auf Gemma 4 auf. Abwägen muss man dafür: Die Ausgabequalität ist etwas niedriger als beim Standard-Gemma 4, und es wird als experimentell bezeichnet, nicht als produktionsreif. Aber die Richtung ist klar — Diffusion statt Autoregression könnte der nächste große Schritt für lokale, schnelle Textgeneration sein. Konkurrenz in diesem Feld: Meta arbeitet an ähnlichen Ansätzen mit effizienteren Architekturen, und auch Mistral experimentiert mit non-autoregressiven Verfahren. Bevor wir zum Takeaway kommen, noch ein Tool für alle, die KI für Texte nutzen und sich ärgern, dass die Ergebnisse immer gleich steril klingen. renwei-writing ist ein Open-Source-Skill für KI-Agenten, der Texte bearbeitet, ohne die Persönlichkeit des Autors zu löschen. Die Idee: Die KI bewahrt deine Wortwahl, deinen Rhythmus, deine Eigenheiten — statt alles durch die Standard-KI-Glosserei zu ziehen. In vier Tagen hat das Projekt 670 Stars auf GitHub gesammelt. Ich finds gut, weil es ein echtes Problem angeht: KI-Texte sind oft fehlerfrei aber seelenlos. Dieses Tool versucht, die Seele drin zu lassen. Das wär doch auch was für andere KI-Tools, oder? Mein Takeaway für heute: SpatialClaw zeigt einen Weg, der weiter geht als räumliches Reasoning. Der Ansatz — Code als Interface für schwierige Reasoning-Aufgaben — ist ein Muster, das sich auf viele Bereiche übertragen lässt. Mathematik, Physik, Planung, Logik. Statt teure Spezialmodelle zu trainieren, geben wir der KI einfach einen Interpreter und lassen sie selbst Programme schreiben, die das Problem lösen. Ich glaube, das wird einer der großen Hebel der nächsten Jahre. Wenn dir die Folge gefallen hat, schreib mir eine Mail — die Adresse steht in den Shownotes. Oder hinterlass eine Bewertung auf Apple Podcasts oder Spotify, das hilft mir sehr. Servus, pfiat euch und bis morgen — eure Lissy.