Ein „Erster“ pro Kopf – kann man den Ranglisten zur Embodied-AI vertrauen?

Autor | Dingjiao One? Wang Lu
Redaktion | Wei Jia
Während der Bereich der Embodied-AI weiterhin die Aufmerksamkeit des Kapitals auf sich zieht, werden auch immer mehr einschlägige Ranglisten veröffentlicht. Wenn „der Erste“ fast zur Standardausstattung aller wird, bleibt dann überhaupt noch die Glaubwürdigkeit der Ranglisten erhalten?
Vor einem knappen Monat erlebte Qixun Intelligence einen peinlichen Moment. Anfang Juni übertraf sein Embodied-Base-Modell Spirit v1.6 auf der RoboArena-Rangliste mit 1918 Punkten das Nvidia Cosmos3 mit 1880 Punkten und lag zeitweise auf „Platz eins in der Welt“. Direkt danach gab Qixun bekannt, dass es eine A+-Runde im Umfang von 1,5 Milliarden RMB abgeschlossen habe. Innerhalb von drei Monaten wurden insgesamt vier intensive Finanzierungsrunden abgeschlossen, mit einem Gesamtvolumen von nahezu 5 Milliarden RMB – ein neuer Rekord bei der Finanzierungshäufigkeit im Bereich der Embodied-AI.
Doch die Zweifel der Branche an den Bewertungsdaten fingen praktisch schon am nächsten Tag an, sich aufzuwärmen. Beobachter wiesen darauf hin, dass in 310 Bewertungsprotokollen 72% der Punktzahl von zwei Konten stammten. Noch beachtlicher: RoboArena veröffentlichte anschließend eine Erklärung. Nach einer Rückverfolgungs- und Untersuchung wurden einige der als zweifelhaft geltenden Bewertungsdaten entfernt und die Ranglistenpositionen aktualisiert. Spirit v1.6 flog daraufhin ebenfalls aus der Rangliste.
Aber dieses Ereignis hat die Begeisterung der Spieler nicht gedämpft. Blättert man die Branchennachrichten der letzten halben Jahre durch, dann hält fast jedes Top-Unternehmen mindestens „einen Ersten“ in der Hand – und diese „Ersten“ beziehen sich auf völlig unterschiedliche Dimensionen.
Diese Szene lässt sich vielleicht noch relativ leicht verstehen: In der körpernahen Intelligenz (Embodied Intelligence) sind die technischen Routen bislang nicht vereinheitlicht, die Erfolgsquote mit echten Geräten hängt meistens bei fünf bis sechs Zehnteln fest. Von außen möchte man beurteilen, ob ein Unternehmen wirklich etwas kann – und in großem Umfang bleibt nur die Rangliste als Referenz. Aber wenn die auslobenden Institutionen ohnehin Hochschulen, Organisationen oder Medien sind, und die Standards unterschiedlich sind und teils auch noch Handelsaufträge und Interessenkonflikte mitspielen, entsteht die Frage: Kann man die Rangliste überhaupt noch als Messlatte verwenden?
Ein Investor, der sich auf den Embodied-Intelligence-Bereich konzentriert, sagt, Ranglisten seien eher Marktverhalten als Technik – höchstens eine Referenz für Investitionsentscheidungen. Für ihn war der Fall von Qianxun nicht überraschend. In seiner Sicht sind die Institutionen, die wirklich auf die Platzierungen achten, meistens nicht solche, die aus rein finanziellen oder technischen Motiven starten, sondern eher einige regionale Fonds oder staatlich geprägte Mittel: Ein „Erster“ könnte genau der „gute Einstiegspunkt“ sein, den sie in ihre Berichte schreiben. Aber es gibt auch Investoren mit anderer Ansicht: Sie meinen, in frühen Phasen mit hohen technischen Hürden und Informationsasymmetrie liefern Ranglisten zumindest einen Startpunkt für einen horizontalen Vergleich.
Wenn es mehr „Erste“ gibt als ernsthaft in Robotik investierende Firmen: Messen diese Ranglisten dann wirklich Technik – oder doch eher die Fähigkeit, eine gute Story zu erzählen? Welche Ranglisten sollte man noch ansehen?
01 Die technische Linie ist noch nicht einheitlich – zuerst hat jeder seinen eigenen „Ersten“
Wir fangen also zuerst damit an, die derzeit verfügbaren Ranglisten auf dem Markt durchzugehen und ein grobes Bild aufzubauen. Nach unvollständigen Statistiken gibt es derzeit über 20 aktive Ranglisten in der Embodied-Intelligence-Branche. Nach dem Bewertungsinhalt lassen sich diese Ranglisten grob in drei Kategorien einteilen.
Bei der VLA-Operations-Gesamtrangliste wird geprüft, ob ein Roboter wirklich Arbeit verrichten kann. Bewertet wird die Task-Erfolgsquote. Repräsentativ sind RoboChallenge Table30 und MolmoSpaces.
Bei der Weltmodell-Rangliste geht es um das, was im Kopf berechnet wird: Passt die Schlussfolgerung im Modell? Bewertet wird die Modellierung und Vorhersage der physischen Welt, nicht, wie geschickt Roboter Hände und Füße bedienen. Repräsentativ sind World Arena und WorldModelBench;
Spezialisierte Benchmark-Ranglisten: Man testet, ob das Modell „in Extremfällen auffliegt“. Es geht um einzelne Extremfähigkeiten, etwa die Koordination beider Arme oder den Transfer von Simulation auf echtes Gerät. Repräsentativ sind RoboTwin 2.0, SimplerEnv, LIBERO und CALVIN. Ihr Wert liegt darin, dass sie die Schwächen der Modelle in Extrem-Szenarien sichtbar machen, in denen Gesamtranglisten nichts abdecken.
Zu betonen ist: Diese drei Arten von Ranglisten haben jeweils eigene Schwerpunkte und ersetzen einander nicht. Die echten-Geräte-Ranglisten testen die Durchführung, die Weltmodell-Ranglisten testen das Abwägen/Schlussfolgern, die spezialisierten Ranglisten testen die Grenzen. Keine einzige Rangliste deckt alle Fähigkeiten der Embodied Intelligence vollständig ab.
Mit dieser Koordinatenebene lassen sich die Einsatz-/Kampfberichte der letzten halben Jahre den entsprechenden Modellen zuordnen. Wenn man die Kampfberichte der letzten zwei Monate der Embodied-Base-Models zusammenfasst, erhält man eine ziemlich beeindruckende Liste.
Im Mai dieses Jahres behauptete Xingdong Jiyuan Era0, Platz 1 bei RoboChallenge Table30 geholt zu haben; ZhiYuan GE-Sim 2.0 war Erster in World Arena Track1; Kuangwei DSCFuncWorld war Erster in World Arena Track2. Mit dem Einstieg in den Juni holte Qianxun Spirit v1.6 Platz 1 in RoboArena (später entfernt), und Lu Ming Prime R0 stieg an die Spitze von MolmoSpaces. Fast jedes Unternehmen ist „Erster“ – und jedes hat konkrete Ranglistenplatzierungen als Rückendeckung.
Und das Chaos entsteht eben ebenfalls von all den verschiedenen Ranglisten.
Am deutlichsten ist, dass der Spitzenplatz wie eine Speiseausgabe im Buffet ist: „Erster“ wechselt sehr häufig.
Der Spitzenreiter von RoboChallenge Table30 hat in den letzten sechs Monaten mindestens viermal gewechselt: Erst aktualisierte Qianxun Spirit v1.5 die Bestmarke mit einer Erfolgsquote von 50,33%, bald darauf wurden sie von JigaBrain-0.1 von Jiajing Shijie, von der US-Boston-Dynamics Atlas und von Xingdong Jiyuan Era0 nacheinander überholt.
Dieser Tempo ist deutlich schneller als bei den Mainstream-Ranglisten großer Sprachmodelle. Von 2023 bis 2025 konnten GPT-4, Claude 3 und Gemini 1.5 in Ranglisten wie MMLU und GSM8K ihre Spitzenposition meist mehrere Monate bis hin zu einem Jahr halten. Selbst in der schnellen Iterationsphase von 2020 bis 2022 lag GPT-3 und PaLM mit ihrem Wechselrhythmus ebenfalls eher im Bereich von Monaten. „Bei der aktuellen Embodied Intelligence schafft es ein einzelnes Modell schon, eine Woche lang die Rangliste anzuführen, und selbst das ist nicht selbstverständlich.“ Das sagte ein Praktiker aus einem Top-Unternehmen für Embodied Intelligence, Mi Fan.
Als Hauptgründe werden zwei Punkte genannt. Erstens: Zufälligkeit in der physischen Welt. Selbst wenn man dasselbe Modell zweimal auf echten Geräten laufen lässt, ist es normal, dass die Erfolgsquote um drei bis fünf Prozentpunkte schwankt. Beleuchtung, Positionen der Objekte und Fertigungstoleranzen des Robotergreifers beeinflussen das Ergebnis. Bei Sprachmodell-Ranglisten wie MMLU sind es dagegen feste Aufgaben und deterministische Bewertung: Läuft dasselbe Modell 100 Mal, bleibt die Punktzahl nahezu gleich. Zweitens: Wie offen die Testaufgaben sind. Bei RoboChallenge Table30 ist die Verteilung der 30 Tasks öffentlich. Die Anbieter können gezielt Daten erheben, ihre Modelle darauf feinjustieren und anschließend erneut einreichen. So wird die „Haltbarkeit“ des Spitzenplatzes schließlich auf Wochen statt Monate begrenzt.
Noch verwirrender ist, dass in derselben Rangliste gleichzeitig gleich mehrere „Erste“ auftauchen können.
World Arena ist ein typisches Beispiel. ZhiYuan GE-Sim 2.0 und Kuangwei DSCFuncWorld bezeichnen sich nach außen selbst als „World Arena Erster“. Doch in Wahrheit hat diese Rangliste mehrere Tracks. ZhiYuan GE-Sim 2.0 belegt in Track 1 (Wahrnehmung und Aktionsreaktion) mit 68,26 Punkten den ersten Platz, während Kuangwei DSCFuncWorld in Track 2 (Daten-Engine) den ersten Platz hat. „Erster“ bezieht sich auf unterschiedliche Unter-Ranglisten, nach außen wird es aber in ein und demselben Satz einheitlich so dargestellt.
Für Leser, die mit der Einteilung der Wettbewerbssparten nicht vertraut sind, ist die Aussage „World Arena-Erster, zwei Anbieter sind gleichauf“ kaum zu unterscheiden. Sogar könnte man zweifeln, ob jemand lügt. Doch im Grunde hat niemand etwas Falsches gesagt – es ist nur nicht präzise genug.
Eine weitere, noch unschärfere Zone ist, dass der Ranglistencharakter vermischt ist: Der „Goldwert“ des „Ersten“ wird jedoch stillschweigend als derselbe Maßstab angenommen, was leicht zu Fehlleitungen führt.
In den Außendarstellungen einiger Unternehmen werden häufig gleichzeitig „ein Modell ist Erster in RoboChallenge“ und „in einer Bewertung eines Embodied-Intelligence-Mediums steht es ebenfalls auf Platz 1“ aufgelistet. Das erste ist die Erfolgsquote, die 24/7 mit echten Geräten ermittelt wurde. Das zweite könnte dagegen nur eine interne Diskussion des Redaktionsteams sein – oder sogar eine Liste, die durch eine Business-Kooperation festgelegt wurde. Beide werden in einem Satz nebeneinander gestellt, aber ihr Wert wird stillschweigend als derselbe betrachtet.
Am unschärfsten ist dabei die „Industrie-Rangliste“. Manche Ranglisten tragen den Titel „Industrie“, sind aber weder ein harter Test mit echten Geräten, der alles „einsperrt“, noch ein Benchmark mit akademischer Rückendeckung. Es ist eher eine Bewertungsrangliste, die von Beratungsfirmen oder Medien gemeinsam erstellt wird. Ähnliche Dinge gab es auch im Bereich der großen Sprachmodelle. Doch mit der zunehmenden Aufteilung in akademische Ranglisten, kommerzielle Tests und Medienranglisten wurde „Doppel-Erster“ nach und nach auseinanderdividiert. In der Embodied-Intelligence-Branche befindet man sich aktuell noch in der Phase, in der das noch nicht so sauber getrennt ist.
Drei Phänomene überlagern sich – das Ergebnis ist eine massive Inflationsrate bei „Platz 1“ auf den Ranglisten. Und diese Inflation bleibt nicht nur auf der Marketingebene: Ein „Erster“-Titel bringt oft Aufmerksamkeit, Ressourcen und einen handfesten Aufwertungsvorteil bei der Bewertung mit sich.
02 Wie wird ein „Platz 1“ hergestellt?
Da Ranglisten „echtes Gold und echtes Geld“ bewegen können, ist es nicht überraschend, dass auch die „Herstellung“ von „Platz 1“ zu ungeschriebenen Regeln geworden ist. Insider erklären: Auch wenn der Fall Qianxun Spirit v1.6 ein extremes Einzelfall war, sind die Phänomene, „Platz 1“ zu erzeugen, in der Branche keineswegs selten. Die Methoden lassen sich grob in drei Arten einteilen.
Die günstigste und zugleich häufigste Methode ist das sprachliche Verpacken: „Erster in der Einzelkategorie“ wird zu „Erster in der Gesamtwertung“. Der Kern besteht darin, die entscheidenden einschränkenden Wörter wegzulassen.
Zum Beispiel hat man in Wirklichkeit „RoboTwin 2.0 Dual-Arm-Koordination – VLA-artiger Clean-Scope Erster“ erzielt; nach außen macht man daraus „Spitze von RoboTwin 2.0“. In Wirklichkeit ist es „LIBERO-Plus-Szenario-Generalisation – spezialisierter Erster“; nach außen wird daraus „LIBERO-Plus an der Spitze“. Keine Fälschung der Daten, keine Fälschung der Resultate – aber der Umfang dessen, was „Erster“ bedeutet, wird künstlich aufgebläht.
Die zweite Methode ist, die Ergebnisse direkt durch „Üben“ usw. zu beeinflussen.
Eine lautet „nach den Prüfungsaufgaben üben“. Die Task-Verteilung, die Bewertungsmaßstäbe und die Umgebungsparameter, die auf den Ranglisten veröffentlicht werden, kann man für gezieltes Nachtraining nutzen. In einigen Aufgaben, die auf den Ranglisten relativ konstant sind, zeigt sich das besonders deutlich: Die Anbieter können sich durch wiederholtes „Üben“ und Overfitting auf ein bestimmtes Szenario hohe Punkte erkaufen.
Mi Fan sagt: In der Embodied-Welt seien die Testaufgaben für bestimmte Ranglisten öffentlich. Anbieter können dann Daten speziell zu diesen Tasks sammeln, ihre Modelle feinjustieren und anschließend einreichen. Das gilt in der Embodied-Community als normale Iteration, nicht als Betrug. Es unterscheidet sich grundlegend von dem, was in der LLM-Welt mit „Datenleckage“ oder „Datenkontamination“ gemeint ist.
Eine andere Linie ist das Ausnutzen von Schwachstellen in der Bewertungsmechanik. Manche Ranglisten haben zwar eine hohe „Autorität“, aber die Mechanik hat trotzdem Schlupflöcher. Beispielsweise setzt RoboArena auf offene Registrierung und verteilte Bewertung: Eigentlich sollte das mehr Teilnehmer ermöglichen, aber es ließ drei Schlupflöcher offen.
Erstens: keine Hürden für die Identität der Bewerter. Jeder kann sich registrieren und als Schiedsrichter auftreten. Wenn sich innerhalb kurzer Zeit viele neue Konten auf die Bewertung desselben Modells konzentrieren, lässt sich die Elo-Punktzahl schnell nach oben treiben.
Zweitens: Die Paarungen sind nicht zwingend so, dass alle Teilnehmer jeden abdecken müssen. „Zufällige Zuweisung der Gegner“ heißt nicht, dass man gegen alle, die zeitgleich in der Rangliste sind, in einer Runde spielen muss. Wenn der Bewerter die Aufgabe annimmt, ist A fest. B wird zufällig aus den Modellen gezogen, die in etwa ähnliche Punktzahlen haben. Wenn die Stichprobe nicht groß genug ist, ist es absolut möglich, dass zwei Modelle nie gegeneinander antreten. Beispielsweise hatten sich Spirit v1.6 und DreamZero in der Frühphase nach 23 Spielen schon wieder getrennt, und es gab null Duelle mit dem Nvidia-Modell Cosmos3-Nano-Policy, das am 30. Mai in die Rangliste aufgenommen wurde;
Drittens: gezieltes massives Scrubbing/Training mit vielen Bewertungen. Man nutzt mehrere Konten, um das eigene Modell dicht zu testen und negative Einträge zu senken. Beispielsweise stammten in den 310 Bewertungseinträgen von Spirit v1.6 72% der Punkte aus den beiden Konten ECUST und Robotics Lab. Sie schafften mit 224 Bewertungs-Tests 97% Siegquote, stellten damit Spirit v1.6 auf Platz 1 – aber Nvidia testete unter denselben Bedingungen 21 Mal selbst, mit 0% Siegquote. Wenn man die beiden Datensätze nebeneinander legt, bekommen Praktiker sofort Zweifel.
Danach hat RoboArena die Regeln nachgebessert: Die Bewerter müssen unbeteiligte Dritte ohne Interessenkonflikte sein, um den Einstieg für selbst geschrubbte Konten zu blockieren. Konten mit einer Bewertungsabschlussrate unter 20% werden als verdächtig markiert, und auch das selektive Matching wird blockiert. Nach der Behandlung fiel Qianxun aus der Rangliste.
Eine weitere, besonders versteckte und zugleich weit verbreitete Methode ist der Tausch von Ressourcen: Man macht die Rangliste direkt zum Geschäft.
Viele Medien-Ranglisten sind nach Kriterien zusammengestellt, die nicht transparent sind. Manchmal gibt es sogar eine direkte Business-Kooperation zwischen dem Medienanbieter und dem bewerteten Objekt: Beide veröffentlichen gemeinsam einen „autoritativen Bericht“, in dem Medien-Rangliste und akademischer Benchmark nebeneinander verpackt werden. Das hat nichts mit Technik zu tun und auch nichts mit Daten – es geht nur um Budget und Beziehungen. Mehr als einer aus dem Berufsfeld hat gesagt, dass „Ranglisten scrubben“ oder „Ranglisten kaufen“ alles andere als selten ist.
Diese drei Methoden überlagern sich oft: Zuerst wird die Punktzahl durch gezieltes Nachtraining oder das Ausnutzen von Schlupflöchern hochgeschoben. Dann wird mit einem Track-/Szenen-Tausch die Herkunft verschleiert. Schließlich wird mit Marketingtexten nach außen gestreut; falls nötig, wird noch eine Medien-Rangliste als Rückendeckung gekauft. Unter all diesen Verpackungen wird „Platz 1“ zu dem, was übrig bleibt.
Diese Tricks sind innerhalb der Branche kein Geheimnis. Das eigentliche Problem ist: Um sie zu durchschauen, braucht man eine gewisse technische Grundlage. Je komplexer die Technik, desto schwerer ist es für Außenstehende, es zu erkennen – und desto leichter ist es, die Story zu erzählen.
03 Wasser entfernen – und worauf sollte man dann noch vertrauen?
Mehr als ein Praktiker der Embodied-Intelligence-Branche sagt offen, dass sie Ranglisten inzwischen kaum noch beachten: Ranglisten kann man „scrubben“ oder „kaufen“, und selbst wenn alles formal korrekt ist, macht die Komplexität der physischen Umgebung es sehr schwer, dass die Daten zu 100% exakt sind.
Noch tiefer ist das grundsätzliche Problem, dass es in dieser Branche aktuell noch keine „universelle Messlatte“ gibt.
Ein Praktiker der Embodied-Intelligence-Branche, gashero, hat es mit einer Metapher beschrieben: „Rührei anbraten“ und „kalte Vorspeise mischen“. Roboter A ist gut im Rührei anbraten, Erfolgsquote 90%, Roboter B ist gut im kalten Vorspeise mischen, Erfolgsquote 85% – aber daraus kann man nicht einfach ableiten, dass A besser ist als B. Rührei anbraten prüft Greifen und Umschwenken, kalte Vorspeise mischen prüft präzises Einfüllen und Rühren. Das sind unterschiedliche Fähigkeiten, unterschiedliche Schwierigkeiten und auch unterschiedliche Bewertungsmaßstäbe. In der Embodied-Intelligence-Branche gibt es derzeit noch keine einheitliche Norm, die „Rührei-Fähigkeit“ und „Vorspeise-Mischen-Fähigkeit“ in demselben Punktesystem umrechnen könnte.
Aber das bedeutet nicht, dass Ranglisten völlig wertlos wären. Praktiker sind sich einig: Ranglisten haben weiterhin einen Referenzwert – entscheidend ist nur, zu wissen, was man ansehen sollte, und was man nach dem Schauen noch weiter prüfen muss.
Im Konsens der Branche gibt es drei Merkmale, die echte, wirklich glaubwürdige Ranglisten im Groben gleichzeitig erfüllen sollten.
Erstens: Transparent in den Einzelkomponenten – nicht nur einen einzelnen „Ersten“ ausspielen.
Ob Gesamt- oder Spezial-Rangliste: Eine glaubwürdige Vorgehensweise besteht darin, die Details einzeln zu zerlegen. Nehmen wir RoboChallenge Table30 als Beispiel: Es testet die kombinierte Erfolgsquote von 30 alltäglichen Tasks. Der Wert liegt darin, dass es nicht nur dem Leser den Gesamtwert von 64,33% nennt, sondern auch zeigt, welche der 30 Aufgaben gut laufen und bei welchen die Modellkette ins Stocken gerät. Ranglisten, die nur den Gesamtpunkt berichten und keine Details, verlieren massiv an Wert.
Zweitens wird die Bewertung von Dritten kontrolliert, und es gibt ein Design gegen Reverse-„Scraping“ der Aufgaben (also gegen das Zurückspitzen auf die Bewertung).
MolmoSpaces erlaubt kein Fine-Tuning, das Modell kommt direkt zum „nackten Antreten“; LIBERO-Plus fügt extreme Störungen hinzu wie Lichtmutationen, chaotische Hintergründe und Veränderungen des Kamerawinkels – genau um zu verhindern, dass man sich nur durch Auswendiglernen Punkte holt. Gemeinsam ist ihnen, dass sie das „Üben bis zur Perfektion“ schwieriger machen und Generalisierung zur eigentlichen Hürde machen.
Drittens: Man schaut auf die Bewertungsmechanik, nicht auf die Aktualisierungsfrequenz.
Langsame Ranglisten sind nicht unbedingt zuverlässig, und schnelle Ranglisten lassen sich nicht unbedingt „scrubben“. Manche Ranglisten aktualisieren langsam, weil die Kosten für Tests mit echten Geräten extrem hoch sind: Bei RoboChallenge kann ein kompletter Bewertungszyklus Wochen dauern. 30 Tasks, je Task 10 Läufe – insgesamt 300 echte Versuche. Dazu 7×24 Stunden ununterbrochen. Das sind eben Kostenzwänge der realen Welt. Wenn dagegen eine Rangliste schnell aktualisiert, liegt das an der Mechanik. Zum Beispiel nutzt RoboArena ein Elo-Bewertungssystem für dynamische Platzierungen: jeden Tag kommen neue Kampfdaten rein, die Rangliste aktualisiert sich entsprechend täglich. Dass es schnell geht, ist nicht per se ein Problem; wie glaubwürdig das ist, hängt davon ab, ob die Mechanik lückenlos ist und ob Schlupflöcher geschlossen werden.
Aber wenn in der Branche doch alle wissen, dass an den Ranglisten etwas „Wasser“ ist: Warum buhlen dann trotzdem alle?
Die Antwort liegt im aktuellen Stadium der Branche.
Dieser Wettkampf um „Platz 1“ ist im Kern das Produkt von Kapitalangst. Dieses Jahr ist ein Jahr mit vielen Iterationen der Embodied-Base-Models. In der frühen Phase sind Auslieferungsmengen, Umsätze und Auftragsvolumina instabil. Man kann dann nur die Rangliste als Aushängeschild nutzen. Der finanzierungsgetriebene Druck hat sich nicht geändert – das „Ranglisten scrubben“ wird also nicht aufhören.
Wenn die Branche in die nächste Phase eintritt, wechseln die Bewertungsmaßstäbe natürlich, zum Beispiel: Wie viele Anlagen werden pro Jahr geliefert? Welche festen Kunden gibt es? Kann man profitabel arbeiten? Dann wird die „Inflation“ bei „Ersten“ sich von selbst verflüchtigen, und die Ranglisten rutschen zurück an ihren ursprünglichen Platz.
Vielleicht sind aber gerade die Unternehmen die eigentliche Antwort, die sich nicht darum reißen, Ranglisten zu „schrubben“, sondern einfach ihre Roboter in die Produktionslinie bringen.
(auf Wunsch des Befragten, im Text „Mi Fan“ als Pseudonym)