Induction Labs hat ein Forschungsergebnis veröffentlicht, das eine seit Langem bestehende Annahme in der künstlichen Intelligenz infrage stellt: dass Maschinen mit sorgfältig beschrifteten Beispielen jeder Handlung trainiert werden müssen, die sie ausführen sollen. Das Unternehmen stellte Photon-1 vor, das erste Modell einer neuen Klasse von Foundation-Architekturen, die es als „Imagination Models“ bezeichnet und die darauf ausgelegt sind, aus Videos im Internetmaßstab zu lernen, ohne während des Vortrainings Aktionslabels zu sehen.

Photon-1 ist ein sparsamer Mixture-of-Experts-Transformer mit 106 Milliarden Parametern und 5 Milliarden aktiven Parametern. Trainiert wurde er mit etwa 575 Millionen Frames von Computer-Bildschirmaufzeichnungen, was laut Induction Labs 18 Jahren Video entspricht, wenn mit einem Frame pro Sekunde gesampelt wird. Die Trainingsdaten wurden aus einem ursprünglichen Index von zwei Milliarden öffentlich verfügbaren Videos abgeleitet, auf rund zwei Millionen Bildschirmaufzeichnungen eingegrenzt und anschließend mithilfe eines internen Keyframe-Erkennungsmodells von redundanten Frames bereinigt. Das Modell wurde von Grund auf für eine Epoche vortrainiert und benötigte dafür ungefähr 30,000 NVIDIA H200 GPU-Stunden sowie 4.4 × 10²² FLOPs.

Die zentrale Aussage von Induction Labs lautet, dass Photon-1 Googles Gemini 3.1 Flash-Lite in den internen Benchmarks des Unternehmens zur Computernutzung übertrifft, obwohl es mit mindestens 30-mal weniger Rechenaufwand trainiert wurde. Außerdem erklärt das Unternehmen, dass die Bereitstellung von Photon-1 pro Million Tokens etwa dreimal weniger kostet; angegeben wird ein gewichteter Inferenzpreis von $0.11 pro Million Tokens gegenüber $0.36 für Gemini. Diese Zahlen sind jedoch mit wichtigen Einschränkungen verbunden: Der Benchmark ist intern und unveröffentlicht, sodass die Ergebnisse nicht unabhängig reproduzierbar sind, und die Schätzung des Rechenaufwands für Gemini ist eine eigene konservative Projektion von Induction Labs und keine extern verifizierte Angabe.

Die Behauptung ist bemerkenswert, weil Agenten zur Computernutzung zu den Bereichen gehören, in denen KI-Systeme weiterhin stark auf überwachte Demonstrationen, werkzeugspezifische Arbeitsabläufe und umgebungsspezifische Evaluation angewiesen sind. Wenn Modelle nützliche Dynamiken von Benutzeroberflächen aus unbeschrifteten Bildschirmaufzeichnungen lernen können, könnte der Bedarf an menschlicher Annotation für den Aufbau aufgabenausführender Agenten sinken, auch wenn die gemeldeten Ergebnisse von Photon-1 weiterhin von einer kleineren beschrifteten Finetuning-Phase und Reinforcement Learning nach dem Vortraining abhängen.

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si — Induction Labs (@induction_labs) July 23, 2026

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si

Wie Imagination Models funktionieren

Photon-1 unterscheidet sich von herkömmlichen Ansätzen nicht nur durch seine Größe, sondern auch durch seine Architektur. Statt das nächste Wort vorherzusagen oder Rohpixel zu erzeugen, sagen Imagination Models künftige Frames autoregressiv innerhalb eines erlernten Repräsentationsraums voraus, basierend auf einem Next-Latent-Token-Ziel. Jeder Videoframe wird durch finite skalare Quantisierung in 960 diskrete Tokens komprimiert und belegt nur 2.2 Kilobyte. Laut Induction Labs ist das etwa 100-mal kleiner als bestehende OCR- und multimodale Repräsentationen, während Text, Layout und Zustandsänderungen erhalten bleiben.

Ein differenzieller latenter Encoder verarbeitet Frames paarweise und kodiert die Unterschiede zwischen aufeinanderfolgenden Zuständen, anstatt jeden Frame nur als absoluten visuellen Inhalt darzustellen. Diese Komprimierung macht es rechnerisch praktikabel, künftige Zustände im großen Maßstab autoregressiv vorherzusagen. Während des Vortrainings lernt das Modell, was das Unternehmen eine „implizite Policy“ nennt: Indem es vorhersagt, wie ein Bildschirm als Nächstes aussehen wird, internalisiert es die kausale Struktur von Computeroberflächen, ohne dass ihm mitgeteilt wird, welche Mausklicks oder Tastatureingaben die beobachteten Übergänge verursacht haben.

Um dieses durch Beobachtung gewonnene Wissen in einen funktionierenden Agenten umzuwandeln, war eine zweite Phase erforderlich. Induction Labs finetunte Photon-1 mit weniger als 35,000 beschrifteten Trajektorien zur Computernutzung, um dem Modell das korrekte Aktionsformat beizubringen. Das Unternehmen fügte spezielle Tokens hinzu, die Photon-1 die Ausgabe von Tastatur- und Mausbefehlen ermöglichen. Zur Inferenzzeit arbeitet das System in zwei Schritten: Zunächst stellt es sich den nächsten Zustand vor, der die Aufgabe voranbringen würde, und erzeugt dann die Handlung, mit der dieser Zustand erreicht werden soll.

Anschließend setzte Induction Labs Online-Reinforcement-Learning ein, mit Echtzeit-Rollouts auf Linux-VMs in fünf Desktop-Umgebungen. Ergebnisse wurden programmgesteuert verifiziert, und Belohnungssignale dienten dazu, das Modell weiter zu verbessern. Dieser Evaluationsaufbau konzentriert die berichtete Arbeit auf Softwareumgebungen, in denen Zustände und Ergebnisse instrumentiert werden können, und nicht auf offene physische Umgebungen, in denen Verifikation und Sicherheitsanforderungen schwieriger zu automatisieren sind.

Das Unternehmen berichtet außerdem, dass die Fähigkeiten von Photon-1 über den Bereich der Bildschirmaufzeichnungen hinausgehen, den es während des Vortrainings beobachtet hat. Nach dem Finetuning mit 20,000 Turnier-Damepartien übertraf Photon-1 sowohl eine Vision-Encoder-Baseline als auch eine ähnlich große Sprachmodell-Baseline bei Weltsimulation und Zugqualität. Bei 10,000 synthetisch erzeugten Billardspielen erreichte es einen mittleren absoluten Fehler von 0.47 bei der Vorhersage der Ballposition, verglichen mit 1.15 für die LLM-Baseline und 1.44 für die Vision-Baseline.

Laut Induction Labs lernte das Modell aus seinen Vortrainingsdaten auch menschliche Verhaltensmuster. Es lernte, einen ChatGPT-Klon innerhalb einer virtuellen Maschine anzusteuern, dessen Ausgaben zu bewerten und das Gespräch zu lenken, bis eine Aufgabe abgeschlossen war – ähnlich der Art und Weise, wie Menschen KI-Tools in praktischen Arbeitsabläufen nutzen.

Die wachsende Grenze der Weltmodelle

Photon-1 wird zu einem Zeitpunkt vorgestellt, an dem sich die KI-Branche zunehmend auf das konzentriert, was Forschende allgemein als „Weltmodelle“ bezeichnen. Diese Systeme sollen interne Repräsentationen davon aufbauen, wie sich Umgebungen als Reaktion auf Handlungen entwickeln, statt lediglich Text vorherzusagen oder isolierte Videoclips zu erzeugen.

Im Jahr 2026 hat sich die Entwicklung in diesem Bereich beschleunigt. Im Mai veröffentlichte Google DeepMind Genie 3, ein interaktives Echtzeit-Weltmodell, das aus Text oder Bildern persistente 3D-Umgebungen mit 24 Frames pro Sekunde erzeugen kann und dabei selbst erlernte Physik anstelle fest codierter Regeln nutzt. NVIDIAs Cosmos-Plattform, die Open-Weight-World-Foundation-Modelle anbietet, die mit 20 Millionen Stunden realer Daten trainiert wurden, hat zwei Millionen Downloads überschritten und wird von Robotikunternehmen wie 1X, Figure AI und Agility zur Erzeugung synthetischer Trainingsdaten genutzt.

Fei-Fei Lis World Labs brachte Marble auf den Markt, ein kommerzielles System zur Erstellung editierbarer 3D-Welten aus Text, Bildern oder Video. Yann LeCuns AMI Labs, das Berichten zufolge vor der Veröffentlichung eines Produkts mit €3 Milliarden bewertet wurde, sammelte €500 Millionen ein, um JEPA-ähnliche Architekturen zu verfolgen, die abstrakte Repräsentationen erlernen, indem sie im latenten Raum statt in Pixeln vorhersagen.

Weitere Entwicklungen umfassen Runways Gen-4.5, das das Unternehmen ausdrücklich als „Weltmodell“ mit realistischer Physik beschreibt, sowie DreamZero, ein Welt-Aktionsmodell mit 14 Milliarden Parametern, das eine starke Übertragung zwischen verschiedenen Verkörperungen von menschlichem Video auf Robotersteuerung demonstrierte, wobei ausschließlich visuelle Informationen und keine Aktionslabels verwendet wurden.

Zusammengenommen deuten diese Vorhaben auf einen breiteren architektonischen Wandel in der KI-Forschung hin. Während große Sprachmodelle beim Erkennen von Mustern in Text sehr leistungsfähig geworden sind, zielt die nächste Generation von KI-Systemen zunehmend darauf ab, Kausalität, Physik und Abläufe durch direkte Beobachtung zu verstehen. Die Methode von Induction Labs, die aus unbeschrifteten Videos durch Zustandsvorhersage lernt, passt in diese Richtung und adressiert zugleich einen zentralen Engpass: die Notwendigkeit, dass Menschen Beobachtungen vor dem Training in beschriftete Handlungen umwandeln.

Die nächsten Prüfsteine für den Ansatz werden externe Reproduzierbarkeit, eine breitere Benchmark-Abdeckung und Belege dafür sein, dass dieselbe Trainingsrezeptur auch in weniger kontrollierten Umgebungen funktioniert. Ob Imagination Models über Bildschirmaufzeichnungen hinaus auf körperliche Arbeit, soziale Interaktion und komplexe Dynamiken der realen Welt skalieren können, bleibt offen. Vorerst wird Photon-1 als Machbarkeitsnachweis präsentiert, dass Maschinen zumindest teilweise durch bloßes Zuschauen lernen können zu handeln.