谷歌 DeepMind 发布 Gemini Robotics 2.5，称在奔驰工厂试点中成功率达96%

谷歌 DeepMind 推出 Gemini Robotics 2.5，这是一种视觉-语言-动作（VLA）模型，能够将摄像头画面和语音或文字指令转化为机器人动作。公司称，搭载该模型的人形机器人在奔驰正在运行的生产线试点中，成功率达到96%。

DeepMind 称，他们在200多项任务上对该模型进行了评估，其中包括用夹子分发食物和移液。与公司此前的基线模型相比，模型成功率提高了30%至100%，具体取决于任务类型；完成任务的时间缩短了20%至30%。Ars Technica 报道，Apptronik 的 Apollo 2 人形机器人搭载新模型后，还能系蝴蝶结。这对机器人而言难度很大，因为丝带会变形。

奔驰生产线试点

据 The Decoder 报道，DeepMind 与 Apptronik 及奔驰合作开展此次测试，测试地点为匈牙利凯奇凯梅特和德国辛德尔芬根。Apollo 2 负责齐套作业，从散装料箱中拣出金属零件，并按照生产线上每辆车所需的顺序摆放到托盘中。另有一个模型 Gemini Robotics ER 负责监督整个工作流程，Gemini Robotics 2.5 则控制机械手和手臂。

据 The Decoder 报道，Apptronik 首席执行官 Jeff Cardenas 表示，经过几周的后期训练，模型表现明显提升，迁移到奔驰生产中后性能几乎没有下降。Ars Technica 指出，96%的成功率对制造商来说可能仍然不够。该媒体引用 DeepMind 总监 Kanishka Rao 的话称，要填补剩余差距，将是一条“艰难之路”。

DeepMind 机器人团队负责人 Carolina Parada 介绍了开发通用机器人时的取舍。

“我们可以在某个特定应用上做得非常好，但代价是泛化能力下降。或者，我们也可以专注提升泛化能力，但可能无法在每个应用中都达到99.9。”

DeepMind 机器人负责人 Carolina Parada

用于训练的模拟数据

机器人训练数据比聊天机器人使用的文本数据更稀缺。据两家媒体报道，DeepMind 将其 Gemini 4 Argon 语言模型用作模拟引擎。Argon 能够基于真实摄像头画面生成数千次模拟运行，构建数字孪生。公司还将其与真实世界演示相结合，帮助机器人适应新场景和新物体。

Ars Technica 报道，2.5 版模型仍运行在基于云端的服务器上，因此精度和速度的提升伴随着延迟。

安全基准

DeepMind 称，该模型借助实时推理来规避危险：遇到障碍物挡路时会停下或等待。在公司的评估中，靠近障碍物时的安全任务完成率提高了33%，靠近人时提高了43%。

DeepMind 还在 Hugging Face 上发布了 ASIMOV-Jailbreak，这是一个开源基准，其中包含伪装成不安全请求的提示词，用于测试机器人模型是否会被诱导执行危险动作。两家媒体在规模和结果上存在差异：Ars Technica 称其包含1500条提示词，使用 Argon 时安全水平为98.8%，Gemini Robotics ER 2 则为73.5%。The Decoder 称提示词数量为数百条，两者结果分别为99.5%和82%。

Gemini Robotics 2.5 尚未全面开放使用，目前正向机器人合作伙伴推出。Ars Technica 列出的合作伙伴包括 Agile Robots、Apptronik 和 Boston Dynamics，The Decoder 则列出了 Agile、Apptronik 和奔驰。