Google DeepMind 发布机器人模型 Gemini 4 Argon
摘要
Google DeepMind 发布面向机器人领域的 Gemini 4 Argon,宣称在 Embodied Reasoning(ERQA)基准上以纯推理取得 87% 的分数、超越其他前沿模型,并给出覆盖机器人控制、Real2Sim、物理理解与自我改进的应用案例。
核心要点
- Argon 在测试 3D 环境中物理、空间问题理解与求解能力的 Embodied Reasoning(ERQA)基准上得分为 87%,官方称其超过所有其他前沿模型。
- 模型被定位为通用物理推理模型,可贯穿机器人全生命周期,官方按机器人控制、Real2Sim、物理理解、研究与自我改进四个方向给出代表性提示词。
- 在机器人控制案例中,Argon 操控波士顿动力 Spot(12 自由度腿 + 6 自由度机械臂)学习踩脚踏垃圾桶扔易拉罐:先在 MuJoCo 中构建铰接数字孪生练习,再由 foot-verifier 与 hand-verifier 两个校验 agent 确认踩踏与手部入桶对齐后才释放。
- 零样本控制案例中,Argon 借助视觉坐标框架(visual coordinate harness)与动作原语,多轮推理完成把倒下的杯子扶正并放入揉皱纸巾的任务。
- Real2Sim 能力可从机器人摄像头画面、第一视角人类视频甚至手绘草图重建经过物理校准的仿真孪生;物理理解侧则包含灵巧性 hindsight 标注、密集价值函数与进度估计。
原文佐证
- Gemini 4 Argon marks a step change in physical understanding, code generation, and visual-semantic reasoning—unlocking new workflows across the robotics stack and accelerating progress toward physical AGI.
- Using pure reasoning, Argon scores 87%, outperforming every other frontier model.
- Argon controls a Boston Dynamics Spot® quadruped (12-DoF legs + 6-DoF arm) to learn a new skill: stepping on a foot-pedal trash bin to throw away soda cans.
AI 洞察
物理推理正在成为前沿模型竞争的新战线:当语言与视觉能力趋于饱和,能否理解并操控 3D 世界成为区分顶级模型的关键维度。谷歌选择的路径是把通用推理模型与仿真闭环(Real2Sim、Sim2Real、自我改进)绑定,本质上是把具身智能的数据瓶颈从昂贵的真机采集转移到仿真与合成,这可能让机器人栈的分工向“通用物理推理模型 + 廉价本体”迁移。但 87% 的分数完全来自官方自评基准且缺少第三方复现,从演示任务到稳定可部署之间仍有相当距离,真正需要观察的是外部团队能否用 Argon 复现同类操作。