> ## Documentation Index
> Fetch the complete documentation index at: https://avala.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Fähigkeitsexperimente

> Der Eintrag, der einen Modellfehler mit einer Hypothese, den dafür erhobenen Daten und dem gemessenen Ergebnis verknüpft

Ein Fähigkeitsexperiment ist ein schriftlich festgehaltener Durchlauf des [Fleet-Learning-Kreislaufs](/docs/de/fleet-learning/overview.md). Es beginnt mit einem Fehler, den Ihr Modell in einer bestimmten Modellversion zeigt. Es formuliert eine Hypothese, welche Daten den Fehler beheben. Es endet mit einem gemessenen Ergebnis und einer Entscheidung über die nächste Zuteilung.

Avala eröffnet ein Fähigkeitsexperiment für jede Fehlerbedingung in einem [Lückenbericht](/docs/de/fleet-learning/failure-ingestion.md). Avala hält den Eintrag über Erhebung, Release und erneute Evaluation aktuell. Sie erhalten ihn mit jedem [Fähigkeitsbericht](/docs/de/fleet-learning/evaluation.md).

## Felder

| Feld | Inhalt |
| - | - |
| `model_version` | Die Modellversion, die den Fehler gezeigt hat. Sie liefern diese Kennung. |
| `failure_condition` | Der Fehler und die Bedingungen, unter denen er auftritt, aus der Fehlertaxonomie. `mistake_type` und `failure_stage` verwenden dieselben Tags wie die [Ergebnis-Labels](/docs/de/fleet-learning/sequence-metadata.md) der fehlgeschlagenen Sequenzen. |
| `hypothesis` | Eine prüfbare Aussage: welche Daten welche Metrik verändern sollen, und in welche Richtung. |
| `coverage_cells` | Die [Abdeckungszellen](/docs/de/fleet-learning/coverage.md), auf die das Experiment zielt. |
| `capture_campaign` | Die Erfassungskampagne, die die Daten erhebt. |
| `dataset_release` | Das versionierte Datensatz-Release mit den neuen Sequenzen. |
| `evaluation_cohort` | Die zurückgehaltenen [Evaluationsszenen](/docs/de/fleet-learning/evaluation.md), mit denen das Ergebnis gemessen wird. Ihre Sequenzen tragen `evaluation_membership: "held_out_eval"`. |
| `outcome` | Das gemessene Ergebnis auf der Evaluationskohorte für jede Modellversion, mit Konfidenzintervallen. |
| `next_allocation` | Was der nächste Zyklus erhebt, und warum. |

## Beispieleintrag

```json theme={null}
{
  "experiment_id": "cx_dishwasher_rack_regrasp",
  "status": "validating",
  "model_version": "your-policy@2026-09-20",
  "failure_condition": {
    "mistake_type": "slip_during_place",
    "failure_stage": "place",
    "taxonomy_version": "3",
    "conditions": ["lower_rack_pulled_out", "wet_ceramic", "rack_obstacle_present"]
  },
  "hypothesis": "Adding expert sequences with slip and recovery on lower dishwasher racks raises success on the rack-loading cohort and lowers the intervention rate.",
  "coverage_cells": [
    {
      "environment": "kitchen",
      "mechanism": "dishwasher_pull_rack",
      "material": "ceramic_wet",
      "interaction_primitive": "place",
      "failure_mode": "regrasp_after_slip",
      "embodiment": "human_egocentric"
    }
  ],
  "capture_campaign": { "project_uid": "<project-uid>" },
  "dataset_release": { "dataset": "your-org/kitchen-manipulation", "release": "r4" },
  "evaluation_cohort": { "cohort_id": "eval_kitchen_racks", "version": "2" },
  "outcome": null,
  "next_allocation": null
}
```

`outcome` und `next_allocation` bleiben leer, bis Avala die nächste Modellversion erneut evaluiert.

## Wie der Eintrag mit bestehenden Objekten verknüpft ist

Ein Fähigkeitsexperiment enthält Verweise. Jedes Feld zeigt auf ein Objekt, das Sie bereits in Mission Control, über die API, die SDKs und den MCP-Server öffnen können.

| Experimentfeld | Bestehendes Objekt | Wo Sie es lesen |
| - | - | - |
| `failure_condition` | [Flottenaufnahmen](/docs/visualization/fleet/fleet-dashboard.md) und [Flotten-Events](/docs/visualization/fleet/events-and-markers.md), die den Fehler zeigen, sowie die Ergebnis-Labels der fehlgeschlagenen Sequenzen | `client.fleet.recordings.get(...)`, `client.fleet.events.list(recording_id=...)`, `client.sequence_outcomes.list(owner, slug, outcome=...)`, MCP `fleet_get_recording`, `fleet_list_events`, `list_sequence_outcomes` |
| `capture_campaign` | Ein [Projekt](/docs/de/getting-started/concepts.md), das die Erfassungskampagne ausführt | `client.projects.get(uid)`, MCP `list_capture_campaigns`, `get_campaign_acceptance_summary` |
| `coverage_cells` | Akzeptanzabdeckung im Kampagnenprojekt | MCP `get_campaign_acceptance_coverage` |
| `dataset_release` | Ein [Datensatz](/docs/de/getting-started/concepts.md) und seine [Slices](/docs/api-reference/slices.md) | `client.datasets.get_by_slug(owner, slug)`, `client.slices.get(owner, slug)`, MCP `get_dataset`, `get_slice` |
| `evaluation_cohort` | Ein Slice aus zurückgehaltenen Evaluationsszenen, der aus jedem Trainings-Release herausgehalten wird | `client.slices.get(owner, slug)`, `client.sequence_outcomes.list(owner, slug, evaluation_membership="held_out_eval")`, MCP `get_slice`, `list_sequence_outcomes` |

Die Fehler-und-Erholungs-Spur und jede Evaluationskohorte werden als Slices geliefert. Sie können ihre Elemente mit `client.slices.list_items(owner, slug)` auflisten.

## Lebenszyklus

| Status | Bedeutung |
| - | - |
| `proposed` | Avala hat die Hypothese und die Zielabdeckungszellen aus dem Lückenbericht entworfen. |
| `approved` | Sie haben das Briefing genehmigt. Die Erfassungskampagne ist offen. |
| `collecting` | Sequenzen werden erfasst, geprüft und akzeptiert. |
| `released` | Das Datensatz-Release ist veröffentlicht. Sie trainieren darauf. |
| `validating` | Avala bewertet die neue Modellversion auf der Evaluationskohorte. |
| `closed` | Das Ergebnis ist dokumentiert und die nächste Zuteilung steht fest. |

Ein abgeschlossenes Experiment bleibt im Bestand. Das nächste Experiment zur selben Fehlerbedingung verweist darauf. So können Sie eine Fähigkeit über Modellversionen hinweg verfolgen.