Google DeepMind 发布 Gemini Robotics 2.5 具身智能模型

2026年11月10日 模型

Carolina Parada

我们正在帮助机器人更快地学习真实世界所需的技能——从日常技能到工厂车间

今天，我们推出 Gemini Robotics 2.5，这是迄今为止我们最强大的视觉-语言-动作（VLA）模型。Gemini Robotics 2.5 既扩大了机器人能够学习的技能范围，又提升了学习这些技能的速度。这增强了灵活性、可靠性和安全性，帮助机器人走出实验室，进入更多非结构化的真实世界环境，在那里它们可以协助人们完成更广泛的任务。

今年早些时候，我们为多种类型的机器人（包括人形机器人）带来了全身智能。现在，在很大程度上得益于 Gemini 4 Argon 加速机器人研究的能力，我们进一步推进了物理智能的前沿。我们在超过 200 个不同的任务上测试了 Gemini Robotics 2.5 在任务广度、性能和复杂度方面的能力，不过这种方法还可以扩展到更多任务。

Gemini Robotics 2.5 在三个关键领域实现了飞跃：

• 灵巧性：我们的机器人可以以更高的性能和灵活性完成明显更多的任务——从使用日常工具到处理精致、柔软的物体。
• 可靠性：在梅赛德斯-奔驰生产线上进行的真实世界概念验证中，我们的模型帮助 Apptronik 的 Apollo 2 人形机器人以 96% 的成功率完成汽车零件的拣选和装箱。这可以让机器人承担单调的工作，使技术人员能够专注于复杂的装配任务。
• 安全性：随着机器人进入日常环境，我们改进了物理安全可控性，并推出了一项新的基准测试，用于测试针对机器人领域的对抗性越狱攻击。

Gemini Robotics 2.5 正在向我们的机器人合作伙伴推出。

拓展任务广度、可靠性与灵巧性

由于真实世界环境是非结构化且不可预测的，机器人必须能够以精细的精度和高可靠性处理日常物品。

借助 Gemini Robotics 2.5，我们在任务广度、性能和复杂度方面扩展了模型能力。我们在 200 个不同的任务上对模型进行了评估——例如用夹子分餐、在礼盒上系蝴蝶结、用移液管吸取液体。这些任务结合了多项技能，包括高级工具使用、对可变形物体的复杂操作，以及精细地处理易碎物品，代表了向人类水平的灵巧性迈出的一步。

我们的评估显示，任务的精确度、稳健性和速度均有显著提升。与之前的基准相比，Gemini Robotics 2.5 根据任务类型的不同，成功率提高了 30% 到 100%，同时完成任务的速度提高了 20% 到 30%。

与我们之前的 Gemini Robotics 模型一样，它可以原生支持多种不同类型的机器人，包括 Apptronik 的 Apollo 2 人形机器人（配备五指、22 自由度的 SharpaWave 手）以及带有两指平行夹爪的 Franka Duo 平台。

与 Apptronik 的 Apollo 和梅赛德斯-奔驰一起测试真实世界的可靠性

衡量机器人模型的最终标准是它能否在活跃的工作场所中可靠地执行任务。为了对 Gemini Robotics 2.5 进行检验，我们与 Apptronik 和梅赛德斯-奔驰合作，在匈牙利凯奇凯梅特和德国辛德尔芬根的活跃汽车生产线上使用 Apollo 2 人形机器人。

机器人难以适应新的、不可预测的环境，而我们的 Gemini Robotics 模型让 Apollo 具备了思考、多步骤推理并采取行动以适应变化的能力。在这个概念验证中，Apollo 2 自主执行汽车套件整理任务：即从散装箱中把单个零件按生产线上每辆车所需的精确顺序分类摆放到托盘中的重复性、高体力消耗工作。把这项单调的准备工作交出去有助于保持装配线的运转，同时让技术人员得以专注于复杂的装配任务。

通过使用我们的具身推理模型（Gemini Robotics ER）来跟踪工作流程，并使用 Gemini Robotics 2.5 动作模型来控制其双手和手臂，机器人伸手进入物料箱，拿起金属汽车支架，并将其放入排序容器中，同时纠正任何偏差。这项试点实现了 96% 的成功率，展示了向广泛的真实世界工业应用迈进的可喜进展。

提升机器人的可操控性与智能体安全

当机器人在杂乱的日常空间中作业时，物理安全至关重要。为帮助确保这一点，我们显著增强了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 使用推理时推理引导来实时避开物理危险。正如安全分类器为 Gemini 的响应增加了一层保护，这种引导让机器人能够安全地导航复杂环境。在我们的评估中，这项能力使绕过障碍物时的安全任务完成率提升了 33%，在人员附近提升了 43%。

我们还在为长时程智能体任务推进安全。在 智能体机器人评估 中，Gemini 4 Argon 目前在拒绝不安全任务、解决不确定性以及在人类附近工作等方面均领先。为测试越狱鲁棒性，我们发布了 ASIMOV-Jailbreak，这是一个新的开源基准，包含数百条在数十个场景中伪装不安全请求的提示。Argon 实现了 99.5% 的越狱抵御率——相比我们之前基线 Gemini Robotics ER 2 的 82% 有了显著提升。

借助 Gemini 4 Argon 加速机器人技术发展

要教会机器人新技能，研究人员需要海量的物理数据和高效的建模算法。Gemini 4 Argon 的 机器人研究能力 通过充当仿真引擎帮助解决了这些瓶颈，大大加快了我们开发 Gemini Robotics 2.5 的进程。

Argon 可以根据真实世界的相机画面生成数千次多样化的模拟练习，并构建逼真的数字孪生。结合真实的训练演示，这使机器人能够更快地泛化到新场景和新物体。Argon 还能帮助研究人员从视频画面中推测任务失败的原因，并在仿真中以及直接在真实机器人上测试最佳改进方案。

在 Gemini 4 Argon 等前沿智能模型的加速推动下，Gemini Robotics 2.5 标志着通往解决物理 AGI 道路上的一个重要里程碑。通过在灵巧性、真实世界可靠性和严格安全性方面的进步，我们正在构建必要的物理智能，让机器人能够与人类协作并解决现实世界的挑战。

致谢

这项工作由 Gemini Robotics 团队开发。对于他们在这项工作中的领导与支持，我们要感谢：Huizhong Chen、Radu Soricut、Jean-Baptiste Alayrac、Melvin Johnson、Edward Grefenstette、Claire Cui、Jon Shlens、David Thacker、Zoubin Ghahramani、Clement Farabet、Koray Kavukcuoglu 和 Demis Hassabis。我们还要感谢 Google 和 Google DeepMind 中为这项工作做出贡献的众多团队，包括研究、法务、市场、传播、责任与安全委员会、负责任开发与创新、政策、战略与运营，以及我们的业务和企业发展团队。最后，我们要感谢我们的合作伙伴：Agile、Apptronik 和 Mercedes-Benz 团队对本次发布的大力支持。