Runway hat Solaris veröffentlicht und bezeichnet es als das erste "Interface-Weltmodell" des Unternehmens. Anders als Tools, die Frontend-Code schreiben, erzeugt Solaris keinen Code, sondern direkt Bilder: Jedes Oberflächenbild, das Nutzer sehen, generiert das Modell in Echtzeit. Aktionen wie Klicks und Ziehen werden als Eingabebedingungen an das Modell zurückgespeist, und das nächste Bild ändert sich entsprechend.
Runway nennt zwei Betriebskennzahlen: Die Interaktionslatenz liegt unter einer halben Sekunde, die Bildqualität wird bei 720p gehalten. Diese beiden Zahlen bestimmen, was Solaris derzeit kann und was nicht.
Klicks als Bedingungssignal
Solaris besteht aus einem Weltmodell plus einem Sprachmodell. Das Sprachmodell versteht die Anfrage des Nutzers und entscheidet, ob die Aktion die aktuelle Szene verändern oder zu einer neuen Szene wechseln soll; das Weltmodell zeichnet das Ergebnis dieser Entscheidung. Der gesamte Ablauf läuft Bild für Bild, und das Modell hat aus dem Training selbst gelernt, "was passiert, wenn man hier klickt" – niemand hat ihm Callback-Funktionen für Buttons programmiert.
Das weicht deutlich vom vorherrschenden Weg für KI-generierte Oberflächen ab. In den vergangenen zwei Jahren bestand der übliche Ansatz großer Modelle beim UI-Bau darin, HTML- oder React-Code zu generieren, den dann der Browser rendert – das Verhalten der Oberfläche wird weiterhin vom Code bestimmt. Solaris verschluckt diese gesamte Rendering-Ebene: Das Bild auf dem Bildschirm ist selbst die Anwendung.
61 Prozent der Präferenzstimmen
Runway veröffentlichte eigene Testergebnisse: Bei der Aufgabe, Oberflächen zu rekonstruieren, übertrifft Solaris führende Spitzenmodelle bei struktureller Ähnlichkeit und Informationserhalt. Zudem gibt es eine Nutzerstudie mit 250 Teilnehmern, bei der Solaris beim Befolgen von Anweisungen in 61 Prozent der Vergleiche bevorzugt gewählt wurde.
Alle diese Zahlen stammen ausschließlich von Runway selbst, unabhängige Tests Dritter gibt es bislang keine. Auch die 61 Prozent sind kein überwältigender Vorsprung – grob gerechnet wählten die Teilnehmer bei etwa 6 von 10 Vergleichen Solaris, bei 4 die Vergleichsgruppe. Für einen gerade erst vorgestellten Forschungsprototyp ist das ein akzeptables Ergebnis, aber weit entfernt davon, "bestehende Software ersetzen zu können".
720p ist eine harte Obergrenze
Runway selbst nennt vier Einschränkungen: instabile Textdarstellung, nachlassende Kohärenz in langen Sitzungen, für den kommerziellen Einsatz nicht ausreichende Faktentreue und eine noch nicht integrierte Barrierefreiheits-API.
Der erste und der vierte Punkt wiegen am schwersten. Instabile Textdarstellung bedeutet, dass informationsdichte Oberflächen wie Tabellen, Formulare oder Code-Editoren vorerst nicht funktionieren – eine falsch dargestellte Zahl fällt Nutzern nicht einmal auf. Da die Barrierefreiheits-API fehlt, kann ein Screenreader gar nichts vorlesen, denn es gibt keine DOM-Struktur zum Auslesen, nur Pixel.
Auch die Auflösungsobergrenze von 720p zieht eine klare Linie. Für mobile Apps, kleine Spiele und demoartige Interaktionen reicht diese Auflösung aus; Desktop-Produktivitätssoftware oder Daten-Dashboards würden bei 720p durch kleinere Schriftgrößen verschwimmen.
Vom Videomodell zum Betriebssystem
Der Schwerpunkt von Runway hat sich in den vergangenen zwei Jahren zunehmend in Richtung Weltmodelle verschoben, die Bewertung liegt inzwischen bei rund 5,3 Milliarden US-Dollar, und aus dem Geschäftsnarrativ "KI-Videotool" wurde "Weltsimulation". Solaris ist auf diesem Weg das erste Produkt, das direkt auf Software selbst zielt – Videomodelle simulieren die physische Welt, das Interface-Weltmodell simuliert die Ebene der Mensch-Maschine-Interaktion.
Solaris befindet sich derzeit in der Early-Access-Phase; auf der offiziellen Website steht ein Bewerbungsformular bereit, und Runway erklärt, das Produkt zunächst gemeinsam mit einigen Schlüsselpartnern voranzutreiben, bevor es öffentlich verfügbar wird. Die Hürde bei diesem Ansatz liegt in den Interaktionsdaten: Damit das Modell lernt, "was passiert, wenn man hier klickt", braucht es eine große Menge realer Aufzeichnungen von Oberflächeninteraktionen – und solche Daten lassen sich deutlich langsamer aufbauen als Videodaten.
Quellen: Offizielle Forschungsseite von Runway, CocoLoop, AlphaSignal; Interaktionslatenz, Auflösungsobergrenze und die Präferenzquote aus der Nutzerstudie mit 250 Teilnehmern wurden einzeln geprüft.