跳到正文
Google DeepMind·· 10 天前精選AI 評分69

Gemini Robotics 2.5 提升機械人在真實環境中的通用靈巧操作能力

Gemini Robotics 2.5 accelerates real-world general dexterity

AI 導讀

Google DeepMind 推出 Gemini Robotics 2.5,擴大機械人可學習的技能範圍並加快學習速度,同時提升靈巧度、可靠性及安全性。模型在逾 200 項不同任務中接受評估,按任務類型較先前基線的成功率高 30% 至 100%,完成速度快 20% 至 30%。與 Apptronik、Mercedes-Benz 在汽車生產線進行的概念驗證中,Apollo 2 的成功率為 96%。

推薦理由

文章以逾 200 項任務的測試,以及 Mercedes-Benz 生產線試點的 96% 成功率,呈現模型在基準評估與實際操作中的表現。

正文 · 繁體中文

2026年11月10日 模型

Carolina Parada

讓機械人更快學會應對真實世界——從日常技能到工廠生產線

今天,我們推出 Gemini Robotics 2.5,這是迄今能力最強的視覺—語言—動作(VLA)模型。Gemini Robotics 2.5 擴大了機械人可學習的技能範疇,亦加快了學習速度。這提升了機械人的靈巧度、可靠性和安全性,協助它們走出實驗室,進入更多非結構化的真實世界環境,並協助人們完成更多種類的工作。

今年較早時,我們讓不同類型的機械人(包括人形機械人)具備全身智能。現在,很大程度上有賴 Gemini 4 Argon 加快機械人研究的能力,我們進一步推進了物理智能的發展。我們在超過 200 項不同任務中,測試 Gemini Robotics 2.5 的任務範疇、表現和複雜程度;這種做法亦可擴展至更多任務。

Gemini Robotics 2.5 在三個關鍵方面取得飛躍式進展:

  • 靈巧度:我們的機械人能以更出色的表現和靈巧度執行更多任務,從使用日常工具到處理精細、柔韌的物件。
  • 可靠性:在 Mercedes-Benz 生產線上進行的真實世界概念驗證中,我們的模型協助 Apptronik 的 Apollo 2 人形機械人揀選並包裝汽車零件,成功率達 96%。這或可讓機械人承擔單調的工作,讓技術人員專注於複雜的組裝工作。
  • 安全性:隨着機械人進入日常環境,我們提升了實體安全的可控性,並推出一項新基準,用以測試針對機械人技術的對抗式越獄攻擊。

Gemini Robotics 2.5 正逐步向我們的機械人技術合作夥伴推出。

擴展任務範疇、提升可靠性與靈巧度

由於真實世界環境缺乏結構且難以預測,機械人必須能夠以高精度和高可靠性處理日常物件。

透過 Gemini Robotics 2.5,我們擴展了模型在任務範疇、表現和複雜程度方面的能力。我們以 200 項不同任務評估模型,例如用食物夾夾取食物、在禮物盒上繫蝴蝶結,以及移取液體。這些任務結合多項技能,代表機械人朝人類水平的靈巧度邁進一步,當中包括進階工具使用、複雜操作可變形物件,以及靈巧地處理精細物件。

評估結果顯示,任務精準度、穩健性和速度均大幅提升。與以往的基準相比,Gemini Robotics 2.5 視乎任務類型,成功率高出 30% 至 100%,完成任務的速度亦快 20% 至 30%。

與之前的 Gemini Robotics 模型一樣,這個模型原生支援多種類型的機械人,包括Apptronik 的 Apollo 2人形機械人(配備五指、22 個自由度的 SharpaWave 手部),以及配備雙指平行夾爪的Franka Duo 平台。

使用 Apptronik 的 Apollo 和 Mercedes-Benz 測試真實世界可靠性

衡量機械人模型的最終標準,是看它能否在實際運作的工作場所可靠地執行任務。為了測試 Gemini Robotics 2.5,我們與 Apptronik 和 Mercedes-Benz 合作,在匈牙利 Kecskemét 和德國 Sindelfingen 正在運作的汽車生產線上使用 Apollo 2 人形機械人。

機械人難以適應全新且不可預測的環境;我們的 Gemini Robotics 模型則讓 Apollo 能夠思考、進行多步推理,並採取行動以適應變化。在這項概念驗證中,Apollo 2 自主完成汽車零件配套作業:把大型料箱中的個別零件分揀至分類托盤,並按照生產線上每輛汽車所需的準確次序排列。將這項單調的準備工作交由機械人處理,有助維持裝配線運作,同時讓技術人員騰出時間專注處理複雜的組裝工作。

機械人運用我們的具身推理模型(Gemini Robotics ER)掌握工作流程,並透過 Gemini Robotics 2.5 動作模型控制雙手和手臂,伸手進入物料箱,拿起汽車金屬支架,再放入排序容器,同時補足任何缺漏。這項試驗的成功率達 96%,展現了在現實世界廣泛應用於工業的良好前景。

Apollo 2 在 Mercedes-Benz 工廠運用 Gemini Robotics 2.5,自主完成汽車零件配套作業。

提升機械人的可操控性與代理式安全

機械人在日常環境中運作時,實體安全至關重要。為此,我們大幅提升了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 運用推理時引導,即時避開實體危險。這種引導就像安全分類器為 Gemini 的回應加上防護層一樣,讓機械人能在複雜環境中安全行動。在評估中,這項能力令機械人在障礙物周邊安全完成任務的比率提高 33%,在附近有人時則提高 43%。

我們亦正提升長時間跨度代理式任務的安全性。目前,Gemini 4 Argon 在我們的代理式機械人評估中,於拒絕不安全任務、消除不確定性,以及在人類附近工作等方面均領先。為測試抵禦越獄攻擊的能力,我們推出ASIMOV-Jailbreak,這是一項全新的開源基準測試,包含數百個提示詞,將不安全請求偽裝在數十種場景中。Argon 的越獄抵抗能力達 99.5%,較我們先前的基準模型 Gemini Robotics ER 2 的 82% 有顯著提升。

GR-2.5 的可操控性讓機械人能作出安全、顧及人類的動作

運用 Gemini 4 Argon 推動機械人技術發展

要教導機械人掌握新技能,研究人員需要大量實體數據和高效率的建模演算法。Gemini 4 Argon 的機械人研究能力有助解決這些瓶頸:它充當模擬引擎,大幅加快了我們開發 Gemini Robotics 2.5 的進程。

Gemini 4 Argon 的機械人研究能力加快 Gemini Robotics 2.5 的開發

Argon 能根據真實世界的攝影機畫面,生成數千次各有不同的模擬練習,並建立逼真的數碼孿生。結合真實訓練示範後,機械人便能更快將所學應用於新的場景和物件。Argon 亦能協助研究人員根據影片片段推測任務失敗的原因,並在模擬環境及真實機械人上測試最佳改進方案。

在 Gemini 4 Argon 等前沿智能模型的推動下,Gemini Robotics 2.5 標誌着邁向實現實體 AGI 的重要里程碑。透過提升靈巧度、在現實世界中的可靠性及嚴謹的安全保障,我們正建構機器人與人並肩工作、解決現實世界挑戰所需的實體智能

致謝

這項工作由 Gemini Robotics 團隊開展。謹此感謝以下人士對這項工作的領導和支持:Huizhong Chen、Radu Soricut、Jean-Baptiste Alayrac、Melvin Johnson、Edward Grefenstette、Claire Cui、Jon Shlens、David Thacker、Zoubin Ghahramani、Clement Farabet、Koray Kavukcuoglu 及 Demis Hassabis。我們亦要感謝 Google 和 Google DeepMind 的眾多團隊對這項工作的貢獻,包括研究、法律、市場推廣、傳訊、責任與安全委員會、負責任開發與創新、政策、策略與營運,以及商業與企業發展團隊。最後,感謝合作夥伴 Agile、Apptronik 及 Mercedes-Benz 的團隊支持本次發布。

來源:Google DeepMind · deepmind.google