Google DeepMind lance Gemini Robotics 2.5 et annonce 96 % de réussite lors d'un essai dans une usine Mercedes-Benz
Google DeepMind a présenté Gemini Robotics 2.5, un modèle vision-langage-action (VLA) qui transforme les images de caméras et les instructions orales ou écrites en mouvements de robot. L'entreprise affirme qu'un robot humanoïde qui l'utilise a atteint un taux de réussite de 96 % lors d'un essai sur des chaînes de production Mercedes-Benz en activité.
DeepMind indique avoir évalué le modèle sur plus de 200 tâches, dont le service de nourriture à l'aide de pinces et le pipetage de liquides. Par rapport aux précédentes références de l'entreprise, les taux de réussite sont supérieurs de 30 à 100 %, selon le type de tâche, et les durées d'exécution sont réduites de 20 à 30 %. Ars Technica rapporte que l'humanoïde Apollo 2 d'Apptronik, équipé du nouveau modèle, peut aussi nouer un ruban, une tâche difficile pour les robots car le ruban est déformable.
Essai sur les chaînes de production Mercedes-Benz
DeepMind a travaillé avec Apptronik et Mercedes-Benz pour ce test, mené à Kecskemét, en Hongrie, et à Sindelfingen, en Allemagne, selon The Decoder. Apollo 2 a assuré la préparation de kits : il prélève des composants métalliques dans des bacs en vrac et les range dans des plateaux, selon l'ordre dont chaque véhicule de la chaîne a besoin. Un autre modèle, Gemini Robotics ER, a supervisé le flux de travail, tandis que Gemini Robotics 2.5 pilotait les mains et les bras.
Le directeur général d'Apptronik, Jeff Cardenas, a déclaré que les modèles s'étaient nettement améliorés après quelques semaines de post-entraînement et qu'ils avaient été transférés à la production Mercedes avec peu de perte de performance, selon The Decoder. Ars Technica note que 96 % n'est probablement pas encore suffisant pour un fabricant, et cite Kanishka Rao, directeur chez DeepMind, qui affirme que combler l'écart restant sera « une route escarpée ».
Carolina Parada, responsable de DeepMind Robotics, décrit le compromis que pose la construction de robots polyvalents.
« « On peut être très performant sur une application précise, au prix de la généralisation. Ou bien on peut simplement pousser l'axe de la généralisation, et ne jamais atteindre 99,9 dans chaque application. » »
Simulation pour les données d'entraînement
Les données d'entraînement des robots sont plus rares que les textes utilisés pour les chatbots. DeepMind a utilisé son modèle de langage Gemini 4 Argon comme moteur de simulation, selon les deux médias. Argon peut générer des milliers de simulations à partir d'une scène filmée par caméra réelle, pour créer un jumeau numérique ; l'entreprise a combiné cela à des démonstrations en conditions réelles afin d'aider le robot à s'adapter à de nouvelles scènes et de nouveaux objets.
Ars Technica rapporte que le modèle 2.5 tourne toujours sur des serveurs dans le cloud, si bien que les gains de précision et de vitesse s'accompagnent d'une latence.
Benchmark de sécurité
DeepMind affirme que le modèle s'appuie sur un raisonnement en temps réel pour éviter les dangers, en s'arrêtant ou en attendant lorsqu'un obstacle bloque son chemin. Dans les évaluations de l'entreprise, la réalisation sûre des tâches a progressé de 33 % à proximité d'obstacles et de 43 % à proximité de personnes.
DeepMind a aussi publié ASIMOV-Jailbreak sur Hugging Face, un benchmark open source composé de requêtes qui déguisent des demandes dangereuses, pour vérifier si des modèles de robots peuvent être amenés à des actions dangereuses. Les deux médias divergent sur sa taille et ses résultats : Ars Technica cite 1 500 requêtes et un niveau de sécurité de 98,8 % avec Argon, contre 73,5 % pour Gemini Robotics ER 2. The Decoder cite des centaines de requêtes et 99,5 % contre 82 %.
Gemini Robotics 2.5 n'est pas accessible au grand public. Il est déployé auprès de partenaires en robotique ; Ars Technica cite Agile Robots, Apptronik et Boston Dynamics, tandis que The Decoder mentionne Agile, Apptronik et Mercedes-Benz.
