编辑 | 漠影
机器人前瞻11月11日报道，昨晚，Google DeepMind正式发布新一代VLA模型Gemini Robotics 2.5，称其是能够学习并完成上百项日常操作，如叠衣服、递送点心，以及在工厂产线上分拣汽车零部件等。Google DeepMind称，这是其迄今为止能力最强的VLA模型，不仅拓展了机器人的操作能力，还进一步提高任务成功率和执行速度。相比此前的模型，该模型在部分任务中的成功率提升高达100%，执行速度最高提升30%，并在奔驰汽车产线实现96%的任务成功率。有网友在评论区调侃，“既能叠衣服，又能在奔驰产线干活，原来机器人也得打两份工”。
不过，大家更多关注的是其在真实场景中的可靠性。有网友称，“即使测试显示拾取零部件的准确率达96%，但在装配线上，剩下这4%的失误才是关键”。
01.
200多项任务实测，奔驰产线成功率达96%相比之前的Gemini Robotics系列模型，Gemini Robotics 2.5主要在灵巧性、可靠性和安全性三个方面实现了提升。其中，灵巧性是此次升级的一大重点。在真实环境中，机器人不仅需要完成简单的抓取和放置，还需要应对各种复杂操作，包括使用工具、处理容易变形的柔性物体，以及精细操作易损物品等。为此，Google DeepMind针对200多项不同任务，对Gemini Robotics 2.5的操作能力进行了测试。测试结果显示，相比此前的基线模型，Gemini Robotics 2.5在不同类型任务中的成功率相对提升30%至100%，任务执行速度提高20%至30%。具体来看，在多步骤和接触密集型任务中，Gemini Robotics 2.5的表现有了明显提升。例如，在关闭黑色工具箱盖子的任务中，模型成功率从0%提升至93%；将悬挂的杯子取下并放到桌面上的成功率从29%提升至75%；使用刷子将垃圾扫入簸箕的成功率从0%提升至52%。
对于更加复杂的灵巧操作，模型同样取得明显进步。在使用夹子装取糕点的任务中，成功率从5%提升至100%；解开丝带蝴蝶结的成功率从0%提升至70%；悬挂开衫的成功率从0%提升至62%；折叠裤子的成功率则从0%提升至40%。
此外，Gemini Robotics 2.5仍然支持多种不同类型的机器人本体，包括配备SharpaWave灵巧手的Apollo 2，以及采用夹爪的Franka Duo。除了实验室环境中的操作能力，Google DeepMind还与Apptronik、奔驰展开合作，将模型带到了汽车生产线。此次PoC的任务是汽车零部件分拣与排序。Apollo 2需要从装有大量零部件的料箱中取出指定部件，并按照产线车辆的装配需求，将其放入对应的托盘中。在这一过程中，Gemini Robotics ER负责跟踪整个任务流程，Gemini Robotics 2.5则负责控制机器人的手和手臂。最终，Apollo 2在该任务中实现了96%的成功率。Apptronik联合创始人兼CEO Jeff Cardenas称，经过短短几周的后训练，模型的性能便取得了显著提升，并且在迁移到奔驰真实生产线后，性能下降幅度很小。02.
安全操控能力提升，Gemini 4 Argon加速训练除了灵巧性和可靠性，Gemini Robotics 2.5还进一步提升了机器人在复杂环境中的安全操控能力。Google DeepMind在Gemini Robotics 2.5中引入了推理时引导机制，使机器人在执行任务的过程中，实时调整动作，避开周围的物理危险。结果显示，该机制使机器人在障碍物附近安全完成任务的成功率提升了33%，在人员附近则提升43%。据Google DeepMind介绍，Gemini 4 Argon在Gemini Robotics 2.5的研发过程中发挥了重要作用。机器人学习新技能需要大量真实物理数据，而Gemini 4 Argon能够充当仿真引擎，基于真实场景画面，构建逼真的数字孪生环境，生成数千次不同的模拟练习。结合真实训练示范，这些仿真数据能够帮助机器人更快适应新的场景和物体。此外，Gemini 4 Argon还能根据机器人执行任务的视频，推测任务失败的原因，并在仿真环境和真实机器人上测试改进方案。
除了加速机器人训练，Gemini 4 Argon在安全评测中也取得了较好的表现。Google DeepMind此次开源了安全评测基准ASIMOV-Jailbreak，包含数百条测试提示词，覆盖数十种场景，主要用于测试模型抵御伪装危险指令和越狱攻击的能力。在评测中，Gemini 4 Argon的越狱攻击抵抗率达到99.5%，高于此前Gemini Robotics ER 2的82%。03.
结语：大模型加速训练，真实操作仍是关键此次Gemini Robotics 2.5的升级，不仅体现了VLA模型在机器人操作能力上的进步，也展示了通用大模型在机器人训练和研发中的更多可能性。借助大模型生成仿真数据、分析任务失败原因，能提高机器人学习新技能的效率，减少对真机数据的依赖。不过，持续提升任务成功率、可靠性和安全性，仍然是具身智能走向规模化落地的关键。来源：机器人前瞻