Google DeepMind выпустила Gemini Robotics 2.5: на заводе Mercedes-Benz модель показала 96% успеха
Google DeepMind представила Gemini Robotics 2.5 — VLA-модель, которая превращает изображения с камер и голосовые или письменные команды в движения робота. По словам компании, человекоподобный робот с этой моделью добился успешности 96% в пилотном проекте на действующих производственных линиях Mercedes-Benz.
DeepMind оценила модель более чем на 200 задачах, в том числе при подаче еды щипцами и дозировании жидкостей пипеткой. По сравнению с прежними базовыми показателями самой компании успешность выросла на 30–100% в зависимости от типа задачи, а время выполнения сократилось на 20–30%. Ars Technica сообщила, что гуманоид Apollo 2 от Apptronik с новой моделью умеет и завязывать бант. Для роботов это сложная задача, потому что лента деформируется.
Пилотный проект на производственных линиях Mercedes-Benz
Испытания проходили в Кечкемете (Венгрия) и Зиндельфингене (Германия) вместе с Apptronik и Mercedes-Benz, сообщает The Decoder. Apollo 2 занимался комплектацией: доставал металлические детали из навалом лежащих контейнеров и раскладывал их по лоткам в той последовательности, которая нужна каждому автомобилю на линии. Модель Gemini Robotics ER контролировала ход работы, а Gemini Robotics 2.5 отвечала за движения кистей и рук.
Глава Apptronik Джефф Карденас сказал, что после нескольких недель дообучения модели заметно улучшились и перешли на производство Mercedes почти без потери качества, сообщает The Decoder. Ars Technica отметила, что 96% для производителя, вероятно, всё ещё недостаточно, и процитировала слова директора DeepMind Канишки Рао: закрыть оставшийся разрыв будет «крутой дорогой».
Руководитель DeepMind Robotics Каролина Парада описала, в чём состоит компромисс при создании роботов широкого назначения.
«Можно добиться высокой точности в конкретном применении, но ценой обобщаемости. Либо можно просто наращивать обобщаемость и, возможно, так и не добиться 99,9% в каждом применении.»
Симуляция для обучающих данных
Данных для обучения роботов меньше, чем текстов для чат-ботов. По данным обоих изданий, DeepMind использовала языковую модель Gemini 4 Argon как движок симуляции. Argon может создать тысячи симулированных прогонов по одной реальной сцене с камеры, формируя цифровой двойник. Компания дополнила это демонстрациями в реальных условиях, чтобы робот мог адаптироваться к новым сценам и объектам.
Ars Technica сообщила, что модель 2.5 по-прежнему работает на облачных серверах, поэтому выигрыш в точности и скорости идёт вместе с задержкой отклика.
Тест безопасности
DeepMind сообщает, что модель использует рассуждения в реальном времени, чтобы избегать опасностей: останавливается или ждёт, если что-то перекрывает путь. В оценках компании показатель безопасного выполнения задач вырос на 33% рядом с препятствиями и на 43% рядом с людьми.
DeepMind также выпустила ASIMOV-Jailbreak на Hugging Face. Это открытый бенчмарк запросов, которые маскируют небезопасные команды, чтобы проверить, можно ли заставить модели роботов совершить опасные действия. Издания расходятся в размере бенчмарка и результатах: Ars Technica называет 1 500 запросов и уровень безопасности 98,8% у Argon против 73,5% у Gemini Robotics ER 2. The Decoder называет сотни запросов и 99,5% против 82%.
Gemini Robotics 2.5 пока не выпущена в открытый доступ. Модель поставляют партнёрам по робототехнике: Ars Technica называет Agile Robots, Apptronik и Boston Dynamics, а The Decoder — Agile, Apptronik и Mercedes-Benz.
