Google DeepMind представила модель управления роботами Gemini Robotics 2.5

Google DeepMind представила Gemini Robotics 2.5 — модель, которая получает изображение с камер и команду словами и по ним управляет движениями робота. Её проверяли на тонкой ручной работе: накладывать еду щипцами, завязывать бант на подарочной коробке, отмерять жидкость пипеткой.

Почему это важно: Google хочет вывести роботов из лабораторий туда, где обстановка меняется и вещи лежат не на своих местах. Новую модель испытали на работающих сборочных линиях Mercedes-Benz, и человекоподобный робот справлялся там с раскладкой деталей в 96% попыток.

Предыстория: 30 июля вышла Gemini Robotics 2, которая научила человекоподобных роботов двигаться всем телом. Вместе с ней появилась Gemini Robotics ER 2. Эта модель сама моторами не управляет: она следит за ходом работы и планирует шаги робота.

Детали: пробу устроили вместе с Apptronik¹ на заводах Mercedes-Benz в венгерском Кечкемете и немецком Зиндельфингене. Робот Apollo 2 с пятипалыми кистями занимался комплектацией. Он доставал металлические кронштейны из общих ящиков и раскладывал их по лоткам в том порядке, в каком они понадобятся каждой машине на конвейере. За ходом работы следила Gemini Robotics ER, а руками и кистями робота управляла Gemini Robotics 2.5. Google рассчитывает, что такую однообразную и тяжёлую подготовку возьмут на себя роботы, а техники займутся сложной сборкой.

В цифрах: по замерам самой Google:

• на 200 разных заданиях успешных попыток на 30–100% больше, чем у прежних моделей, взятых для сравнения, — разброс зависит от типа задания;
• задания модель выполняет на 20–30% быстрее;
• по ходу работы модель рассуждает, где опасность, поэтому рядом с препятствиями безопасно выполненных заданий стало на 33% больше, а рядом с людьми — на 43%.

Общая картина: во многом успех Google приписывает своей модели общего назначения Gemini 4 Argon. По снимку с камеры Argon строит цифровой двойник² сцены и прогоняет в нём тысячи разных тренировок. Вместе с настоящими демонстрациями это помогает роботу быстрее привыкать к новым местам и предметам. Кроме того, Argon по видео ищет причину ошибки робота, а исправления проверяют в симуляции и на настоящих машинах. Как Argon строит такие симуляции, Google подробно показала в октябре.

Расклад: модели, которые переводят картинку и команду в движения робота, делает не одна Google. В сентябре Black Forest Labs выпустила открытую модель FLUX 3 Action: она тоже по кадрам с камер и текстовой команде выдаёт движения робота.

Но: Gemini Robotics 2.5 пока постепенно получают только партнёры Google по робототехнике. На заводах Mercedes модель работала в пробном проекте, постоянного внедрения не было.

Вместе с моделью Google выложила открытый набор тестов ASIMOV-Jailbreak. В нём сотни запросов к роботу в десятках сцен, и в каждом опасная просьба замаскирована. Gemini 4 Argon не поддалась в 99,5% случаев, прежняя Gemini Robotics ER 2 — в 82%.