Gemini Robotics 2.5 加速现实世界通用灵巧操作
本文目录
2026 年 11 月 10 日 模型
作者：Carolina Parada
我们正在让机器人更快地学习适应真实世界——从日常技能到工厂车间
今天，我们推出 Gemini Robotics 2.5，这是我们迄今最有能力的视觉-语言-动作（vision-language-action，VLA）模型。Gemini Robotics 2.5 既扩大了机器人可学习的技能范围，也提高了其获取技能的速度。这增强了灵巧性、可靠性和安全性，帮助机器人走出实验室，进入更非结构化、更真实的环境，在那里它们可以协助人们完成更多种类的任务。
今年早些时候，我们为包括人形机器人在内的多种机器人带来了全身智能。现在，很大程度上得益于 Gemini 4 Argon 加速机器人研究的能力，我们进一步推进了物理智能的前沿。我们在 200 多项不同任务中测试了 Gemini Robotics 2.5 在任务广度、性能和复杂度方面的能力，不过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：我们的机器人能以更高的性能和灵巧度执行显著更多的任务——从使用日常工具到处理精致、柔性的物体。
- 可靠性：在 Mercedes-Benz 生产线上进行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% 的成功率拣选和包装汽车零件。这可能使机器人承担单调工作，让技术人员专注于复杂的装配任务。
- 安全性：随着机器人进入日常环境，我们改进了物理安全可操控性，并推出了一项新基准，用于测试针对机器人特有的对抗性越狱。
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、可靠性与灵巧性#
由于真实环境是非结构化且不可预测的，机器人必须能够以精细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、性能和复杂度方面的能力。我们在 200 项不同任务上评估了该模型——例如用夹子盛食物、在礼盒上系蝴蝶结、移液液体。这些任务结合了多种技能，包括高级工具使用、柔性物体的复杂操作，以及精细处理易碎物体，朝着人类级灵巧性迈进一步。
我们的评估显示，任务精度、鲁棒性和速度都有显著提升。与之前的基线相比，Gemini Robotics 2.5 根据任务类型实现了 30% 到 100% 更高的成功率，同时完成任务的速度快 20% 到 30%。
与我们之前的 Gemini Robotics 模型一样，它可以原生地与许多不同类型的机器人配合工作，包括 Apptronik 的 Apollo 2 人形机器人（配备五指、22 自由度的 SharpaWave 手）以及带两指平行夹爪的 Franka Duo 平台。
用 Apptronik 的 Apollo 和 Mercedes-Benz 测试真实世界可靠性#
机器人模型的最终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 Mercedes-Benz 合作，在匈牙利凯奇凯梅特和德国辛德芬根的活跃汽车生产线上使用 Apollo 2 人形机器人。
机器人很难适应新的不可预测环境，我们的 Gemini Robotics 模型赋予 Apollo 思考、多步推理并采取行动适应变化的能力。在此概念验证中，Apollo 2 自主执行汽车套件分拣：这是一项重复、耗费体力的任务，需要把散装箱中的单个零件按每辆车所需的精确顺序分拣到有序托盘中。卸下这项单调的准备工作有助于保持装配线运转，同时让技术人员专注于复杂的装配任务。
使用我们的具身推理模型（Gemini Robotics ER）跟踪工作流，并使用 Gemini Robotics 2.5 动作模型控制手和手臂，机器人伸入供应箱，拿起金属汽车支架，放入排序容器，同时纠正任何间隙。该试点实现了 96% 的成功率，显示出朝着广泛真实世界工业应用迈进的良好进展。
“这就是我们构建 Apollo 的目的：在真实的工业环境中与人们一起做有用的工作。将 Apollo 2 与 Gemini Robotics 配合，我们看到模型在短短几周的后期训练中就大幅提升，并且迁移到 Mercedes-Benz 生产时几乎没有性能下降。这是把人形机器人大规模带入工业和商业环境的基础。” —— Jeff Cardenas，Apptronik 联合创始人兼 CEO
提升机器人的可操控性与智能体安全#
随着机器人在杂乱的日常空间中运行，物理安全至关重要。为帮助确保这一点，我们显著提升了 Gemini Robotics 2.5 的安全特性。
Gemini Robotics 2.5 使用推理时推理引导（inference-time reasoning guidance）实时绕开物理危险。就像安全分类器为 Gemini 的响应增加保护层一样，这种引导让机器人能够安全地导航复杂环境。在我们的评估中，这一能力将绕过障碍物的安全任务完成率提高了 33%，绕过附近人员时提高了 43%。
我们还在推进长时程、智能体任务的安全性。Gemini 4 Argon 目前在我们关于不安全任务拒绝、解决不确定性和在人类附近工作的智能体机器人评估中领先。为测试越狱鲁棒性，我们发布了 ASIMOV-Jailbreak，这是一个新的开源基准，包含数百个提示，分布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——相比我们之前基线 Gemini Robotics ER 2 的 82% 有显著提升。
用 Gemini 4 Argon 加速机器人技术#
要教机器人新技能，研究人员需要大量物理数据和高效建模算法。Gemini 4 Argon 的机器人研究能力帮助解决了这些瓶颈，它充当模拟引擎，极大加速了我们对 Gemini Robotics 2.5 的开发。
Argon 可以从真实世界相机场景生成数千次多样化的模拟练习运行，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画面假设任务失败的原因，并在模拟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 标志着通往解决物理 AGI 道路上的重要里程碑。通过在灵巧性、真实世界可靠性和严格安全性方面取得进展，我们正在构建机器人所需具备的物理智能，使其能够与人们并肩工作并解决现实挑战。
致谢#
这项工作由 Gemini Robotics 团队完成。感谢以下人员对本项目的领导和支持：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。我们还要感谢 Google 和 Google DeepMind 中为本项目做出贡献的众多团队，包括研究、法务、市场、传播、责任与安全委员会、负责任开发与创新、政策、战略与运营，以及商业与企业发展团队。最后，我们感谢合作伙伴：Agile、Apptronik 和 Mercedes-Benz 团队对本发布的支持。