跳到正文
原文
Google DeepMind·· 8 天前

Gemini Robotics 2.5 加速真实世界通用灵巧性

Gemini Robotics 2.5 accelerates real-world general dexterity

SI 导读

Google DeepMind 推出 Gemini Robotics 2.5 视觉-语言-动作模型,在 200 多项任务上成功率提升 30% 至 100%,加速真实世界通用灵巧性。该模型在奔驰产线由 Apollo 2 实现 96% 分拣成功率,并发布开源基准 ASIMOV-Jailbreak。此为继年初全身智能后物理智能的进一步推进。

精选SI 评分62
推荐理由

Gemini Robotics 2.5 在超200项任务成功率提升30%至100%,奔驰产线达96%成功率,显示机器人实用进展。

正文 · SI 翻译

2026 年 11 月 10 日 模型

Carolina Parada

我们正让机器人在真实世界中学习得更快——从日常技能到工厂车间

今天,我们推出了 Gemini Robotics 2.5,这是我们迄今能力最强的视觉-语言-动作(VLA)模型。Gemini Robotics 2.5 不仅拓宽了机器人可学习的技能范围,还提升了其获取这些技能的速度。这增强了机器人的灵巧性、可靠性和安全性,帮助机器人走出实验室,进入更多非结构化的真实环境,在那里它们可以协助人类完成更广泛的任务。

今年早些时候,我们为包括人形机器人在内的多种类型机器人带来了全身智能。现在,在很大程度上得益于 Gemini 4 Argon 加速机器人研究的能力,我们进一步推动了物理智能的前沿。我们在 200 多项不同任务中测试了 Gemini Robotics 2.5 在任务广度、性能和复杂性方面的能力,尽管这种方法可以扩展到更多任务。

Gemini Robotics 2.5 在三个关键领域实现了飞跃:

  • 灵巧性: 我们的机器人能够以更高的性能和灵巧性执行更多任务——从使用日常工具到处理精细、柔性的物体。
  • 可靠性: 在梅赛德斯-奔驰生产线上的真实世界概念验证中,我们的模型帮助 Apptronik 的 Apollo 2 人形机器人以 96% 的成功率进行汽车零部件的拣选和包装。这可以使机器人承担单调的工作,让技术人员专注于复杂的组装任务。
  • 安全性: 随着机器人进入日常环境,我们改进了物理安全可控性,并引入了一个新的基准来测试针对机器人特有的对抗性越狱攻击。

Gemini Robotics 2.5 正在向我们的机器人合作伙伴推出。

扩展任务广度、可靠性和灵巧性

由于真实世界环境是非结构化和不可预测的,机器人必须能够以精细的精度和高可靠性处理日常物体。

借助 Gemini Robotics 2.5,我们扩展了模型在任务广度、性能和复杂性方面的能力。我们在 200 项不同任务中评估了该模型——例如用夹子端食物、在礼品盒上系蝴蝶结以及用移液器吸取液体。这些任务通过结合多种技能,包括高级工具使用、复杂可变形物体的操作以及精细处理易碎物体,代表了向人类水平灵巧性迈进的一步。

我们的评估显示,任务精度、鲁棒性和速度均有显著提升。与之前的基线相比,Gemini Robotics 2.5 根据任务类型不同,成功率提高了 30% 到 100%,同时完成任务的速度快了 20% 到 30%。

与我们之前的 Gemini Robotics 模型一样,它原生支持多种不同类型的机器人,包括配备五指、22 自由度 SharpaWave 手的Apptronik Apollo 2人形机器人,以及配备双指平行夹爪的Franka Duo 平台。

与 Apptronik Apollo 和梅赛德斯-奔驰测试真实世界可靠性

机器人模型的终极衡量标准是它能否在活跃的工作场所可靠地执行任务。为了测试 Gemini Robotics 2.5,我们与 Apptronik 和梅赛德斯-奔驰合作,在匈牙利凯奇凯梅特和德国辛德尔芬根的汽车生产线上使用 Apollo 2 人形机器人。

机器人在适应新的、不可预测的环境时往往力不从心,我们的 Gemini Robotics 模型赋予 Apollo 思考、多步推理以及根据变化采取行动的能力。在这项概念验证中,Apollo 2 自主执行汽车零件配套作业:将单个零件从散装箱中分拣出来,并按生产线每辆车所需的精确顺序放入整理好的托盘中。这项重复且体力消耗大的准备工作被卸载后,有助于保持装配线的运转,同时让技术人员能够专注于复杂的组装任务。

我们使用具身推理模型(Gemini Robotics ER)来跟踪工作流程,并使用 Gemini Robotics 2.5 动作模型来控制其手部和手臂。机器人从供应箱中取出金属汽车支架,并将其放入排序容器中,同时纠正任何间隙。该试点项目取得了 96% 的成功率,显示出向广泛的实际工业应用迈进的令人鼓舞的进展。

Apollo 2 使用 Gemini Robotics 2.5 在梅赛德斯-奔驰工厂自主执行汽车零件配套作业。

提升机器人的可控性和智能体安全性

当机器人在杂乱无章的日常空间中运作时,物理安全至关重要。为确保这一点,我们显著提升了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 使用推理时推理引导来实时避开物理危险。就像安全分类器为 Gemini 的响应添加了一层保护一样,这种引导使机器人能够安全地导航复杂环境。在我们的评估中,这一能力使障碍物周围的安全任务完成率提高了 33%,附近人员周围的安全任务完成率提高了 43%。

我们还在推进长周期智能体任务的安全性。Gemini 4 Argon 目前在我们的智能体机器人评估中处于领先地位,涵盖拒绝不安全任务、解决不确定性以及在人类附近工作等方面。为了测试越狱鲁棒性,我们发布了 ASIMOV-Jailbreak,这是一个新的开源基准,包含数百个提示,在数十个场景中伪装不安全请求。Argon 实现了 99.5% 的越狱抵抗力——相比我们之前的基线 Gemini Robotics ER 2 的 82% 比率,这是一个显著的改进。

由 GR-2.5 可控性实现的安全人类感知机器人动作

利用 Gemini 4 Argon 加速机器人技术

为了教机器人新技能,研究人员需要大量的物理数据和高效的建模算法。Gemini 4 Argon 的机器人研究能力通过充当模拟引擎帮助解决了这些瓶颈,极大地加速了 Gemini Robotics 2.5 的开发。

Gemini 4 Argon 的机器人研究能力加速 Gemini Robotics 2.5 开发的示例

为了教机器人新技能,研究人员需要大量的物理数据和高效的建模算法。Gemini 4 Argon 的机器人研究能力通过充当模拟引擎帮助解决了这些瓶颈,极大地加速了 Gemini Robotics 2.5 的开发。

Argon 可以从真实世界的相机场景中生成数千种多样化的模拟演练,并构建逼真的数字孪生。结合真实训练演示,这使机器人能够更快地泛化到新场景和物体。Argon 还可以帮助研究人员根据视频资料假设任务失败的原因,并在模拟环境和真实机器人上测试最佳改进方案。

在 Gemini 4 Argon 等前沿智能模型的加速下,Gemini Robotics 2.5 标志着在解决物理 AGI 的道路上迈出了重要里程碑。通过提升灵巧性、现实世界可靠性和严格的安全性,我们正在构建机器人所需物理智能,使其能够与人类协作并解决现实世界的挑战

致谢

这项工作由 Gemini Robotics 团队开发。感谢以下人员对这一工作的领导和支持:Huizhong Chen、Radu Soricut、Jean-Baptiste Alayrac、Melvin Johnson、Edward Grefenstette、Claire Cui、Jon Shlens、David Thacker、Zoubin Ghahramani、Clement Farabet、Koray Kavukcuoglu 和 Demis Hassabis。我们要感谢 Google 和 Google DeepMind 内部为这一工作做出贡献的众多团队,包括研究、法务、市场营销、传播、责任与安全委员会、负责任的发展与创新、政策、战略与运营,以及我们的业务和企业发展团队。最后,感谢我们的合作伙伴:Agile、Apptronik 和 Mercedes-Benz 团队对本版本发布的支持。

来源:Google DeepMind · deepmind.google

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有