Gemini Robotics 2.5 加速实现真实世界中的通用灵巧操作

我们正在让机器人更快地学会真实世界里的技能——从日常技能到工厂车间

今天，我们推出 Gemini Robotics 2.5，这是我们迄今能力最强的视觉-语言-动作（VLA）模型。Gemini Robotics 2.5 同时提升了机器人能学会的技能广度和学会这些技能的速度。这增强了灵巧性、可靠性和安全性，帮助机器人走出实验室，进入更加非结构化的真实环境，在更多类型的任务上协助人们。

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 多个不同任务上测试了 Gemini Robotics 2.5 在任务广度、表现和复杂度方面的能力，而这种方法还可以扩展到更多任务。

Gemini Robotics 2.5 在三个关键方面实现了飞跃：

• 灵巧性： 我们的机器人能以更好的表现和更高的灵巧性完成明显更多的任务——从使用日常工具到处理易碎、柔软的物体。
• 可靠性： 在梅赛德斯-奔驰生产线上的一次真实概念验证中，我们的模型帮助 Apptronik 的 Apollo 2 人形机器人以 96% 的成功率拣选和装配汽车零部件。这能让机器人承担单调的工作，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，我们提升了物理安全方面的可引导性，并推出了一个新基准，专门测试针对机器人的对抗性越狱。

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、可靠性和灵巧性

由于真实环境是非结构化、不可预测的，机器人必须能够既精细又高度可靠地处理日常物品。

在 Gemini Robotics 2.5 中，我们在任务广度、表现和复杂度上扩展了模型能力。我们在 200 个不同任务上评估了模型——例如用夹子上菜、在礼盒上系蝴蝶结、用移液管吸取液体。这些任务结合了多种技能，包括高级工具使用、对可变形物体的复杂操作，以及对易碎物品的精细处理，代表着向人类水平灵巧性迈出的一步。

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 视任务类型不同，成功率高出 30% 到 100%，同时完成任务的速度快 20% 到 30%。

和之前的 Gemini Robotics 模型一样，它原生支持多种不同类型的机器人，包括 Apptronik 的 Apollo 2 人形机器人（配备五指、22 自由度的 SharpaWave 灵巧手）以及配备两指平行夹爪的 Franka Duo 平台。

与 Apptronik 的 Apollo 和梅赛德斯-奔驰一起测试真实世界可靠性

衡量机器人模型的终极标准，是它能否在真实运转的工作场所中稳定可靠地工作。为了检验 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芬根正在运转的汽车生产线上使用 Apollo 2 人形机器人。

机器人很难适应新的、不可预测的环境，而我们的 Gemini Robotics 模型让 Apollo 能够思考、进行多步推理，并在变化中调整行动。在这次概念验证中，Apollo 2 自主完成汽车配料（kitting）：这是一项重复且体力消耗大的任务，需要把零件从散装料箱中逐个分拣出来，按产线上每辆车所需的准确顺序放进整理好的托盘。把这类单调的准备工作交出去，有助于保持装配线运转，同时让技术人员腾出手来专注于复杂的装配任务。

机器人用我们的具身推理模型（Gemini Robotics ER）跟踪整个工作流程，用 Gemini Robotics 2.5 动作模型控制双手和手臂：它伸手进供料箱，拿起金属汽车支架，放进排序容器，并随时补上空缺。这次试点达到了 96% 的成功率，显示出向大规模真实工业应用迈进的可喜进展。

提升机器人的可引导性和智能体安全

当机器人在杂乱的日常空间中工作时，物理安全至关重要。为此，我们大幅增强了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 使用推理时的推理引导，实时绕开物理危险。就像安全分类器为 Gemini 的回答增加一层保护一样，这种引导让机器人能够安全地在复杂环境中行动。在我们的评估中，这项能力让机器人在有障碍物时的安全完成任务率提升了 33%，在附近有人时提升了 43%。

我们也在推进长程、智能体式任务的安全。在我们的智能体机器人评估中，Gemini 4 Argon 目前在拒绝不安全任务、化解不确定性以及在人附近工作等方面领先。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，包含数百条在数十个场景中伪装不安全请求的提示。Argon 的越狱抵抗率达到 99.5%，比我们之前的基线 Gemini Robotics ER 2 的 82% 有显著提升。

用 Gemini 4 Argon 加速机器人研究

要教会机器人新技能，研究人员需要海量的物理数据和高效的建模算法。Gemini 4 Argon 的机器人研究能力充当了仿真引擎，帮助解决了这些瓶颈，大大加快了我们开发 Gemini Robotics 2.5 的进度。

Argon 可以从一个真实世界的相机画面生成数千次各不相同的模拟练习，并构建逼真的数字孪生。结合真实的训练演示，这让机器人能更快地泛化到新场景和新物体。Argon 还能帮助研究人员根据视频画面推测任务失败的原因，并在仿真中和真实机器人上直接测试最佳改进方案。

在 Gemini 4 Argon 这样的前沿智能模型加速下，Gemini Robotics 2.5 标志着通往物理 AGI 道路上的一个重要里程碑。通过在灵巧性、真实世界可靠性和严格安全性上的进步，我们正在构建让机器人与人并肩工作、解决真实世界挑战所需的物理智能。

致谢

这项工作由 Gemini Robotics 团队完成。感谢以下人员对这项工作的领导和支持：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。我们也要感谢 Google 和 Google DeepMind 为此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，以及业务与企业发展团队。最后，感谢我们的合作伙伴 Agile、Apptronik 和梅赛德斯-奔驰团队对本次发布的支持。