谷歌Gemini 4（Argon）打通机器人全链路：零微调接管真机

GPT-6 Astra 这类通用大模型给机器人装上了视觉和语义推理的本事，可高频力学求解和本体感觉感知这两块是空的。结果就是"大小脑"各干各的，模型只能吐出没有动态纠错能力的"盲操指令"。懂语义、不懂物理，实机状态就忽上忽下：一会儿灵巧操作惊艳全场，一会儿低级碰撞、抓脱不断。

谷歌新发的 Gemini 4（Argon）想补的就是这道断层。技术博客里写得很清楚，Argon 是一种专注物理世界交互的通用物理推理模型。首发热闹散去，回头再看它的能力底座，最硬的那块还是物理常识。

在 ERQA 具身推理基准测试中，Argon 拿下 87%。Claude Opus 5.5 是 82.3%，GPT-6 Astra 是 81%，都被它甩在身后。这个分数说明它的物理常识底座确实够扎实。

Google DeepMind 资深机器人科学家 Konstantinos Bousmalis 看到 Argon 的表现后说："Argon 目前展现出的能力已经让我惊叹不已，更不用说它未来的发展前景了！这将对机器人技术产生巨大的变革。"

让他发出这番感叹的，是 Argon 在实测中交出的全链路答卷。原生三维物理理解、长程代码生成、视频时空推理，Argon 以核心物理编译器的身份顶替了原来那套繁杂的算法组合和团队分工，把控制执行、仿真重构、数据标注、自我改进这条机器人全生命周期链路全部打通：

• 控制执行层：不做微调直接上场，靠视觉伺服躲开"开环盲操"。
• 虚拟仿真层：重建 500Hz 物理孪生，把"虚实鸿沟"填平。
• 数据开发层：四层语义自动化质检，人工标注可以省了。
• 自主改进层：数据飞轮转起来，真机算法实现"原生闭环迭代"。

零微调下场，抓空自己纠错

控制执行这一环，通用大模型的老毛病是测不准距离、抓空容易卡死、盲目硬撞。Argon 在这里干的是另一件事——当一颗自带"物理直觉"和"及时停止"的原生闭环大脑，把粗放的语义指令拧成精准的物理微操。

Argon 凭什么不做任何机器人专项微调就能直接接手真机？先看它的底层成绩单。

一边是极高的三维物理认知：

前面提到，在考验空间推理与物理常识的具身推理基准 ERQA 上它拿了最高分 87%；跨领域自动化基准 AutomationBench 上，它同样以 51.3% 排在第一。读懂坐标标尺、算准空间位置，这些底层能力就是这么来的。

另一边是"及时停止"：

独立评测机构 Artificial Analysis 的 AA-Omniscience 测试里，GPT-6 Astra 和 Claude Opus 5.5 的幻觉率分别高达 51% 和 59%，Argon 则把幻觉率压在 15%，不到竞品的三分之一。面对知识边界和不确定的问题，Argon 在该项测试中更少给出错误却自信的回答。放到机器人语境里说，这等于给真机装了一道"最后关卡"——看不清就不瞎指挥，先核实再动手。

所谓"幻觉率"，测的是大模型碰上自己看不清或拿不准的问题时，有多大比例会"不懂装懂、自信地瞎编一个错误答案"，而不是老实承认不确定并停下来核实。

谷歌给出的第一个实测现场是多智能体协同控制——机器狗投掷垃圾：

一只腿部 12 个自由度、机械臂 6 个自由度的波士顿动力 Spot 机器狗接到的任务难度不低：把前方的可乐罐捡起来，扔进带脚踏板的黑色垃圾桶。这不是抓了放那么简单。机器狗得先用三条腿站稳，腾出右前腿去踩开垃圾桶踏板，机械臂还得瞅准时机把易拉罐送进桶口。

手脚配合这么吃紧的操作，Argon 用的是"先虚拟预演、再多智能体核验"的控制策略：

• 它先在 MuJoCo 物理仿真器里搭了一个带开合翻盖关节的脚踏垃圾桶，在脑子里把"三足站立、踩踏板开盖"提前演练一遍。
• 真机落脚之前，先调前置相机，确认右前脚对准踏板中心；
• 踩踏过程中，后台派两个独立 AI 助手同时盯防。只有"足部验证器"确认踩稳踏板顶开桶盖、"手部验证器"确认机械臂对准桶心，才下令松爪投放，把可乐罐送进桶里。

机器狗扔垃圾靠的是"先演练、再互查"。那碰上完全陌生、也没法提前建仿真的任务，Argon 还应付得了吗？

第二个实验转向厘米级动态纠错——机械臂扶正水杯。

在零样本桌面实机操作中，面对倒下的水杯，Argon 没有让机械臂去执行危险的“开环盲抓”，而是拿出了一套容错率很高的视觉伺服策略。

• 降维建立锚点：在二维画面里直接投上精确到 2 厘米的坐标标尺和夹爪准星，把复杂的三维抓取变成精准的视觉对位。
• 闭环伺服微调：不再像传统程序那样一次性给出坐标去“开环盲猜”，而是改用“看一步、动一步”的实时测算机制。
• 自主纠错兜底：中途抓空了也不报错宕机，而是马上进入“抬头重看 → 重新解算 → 再次下爪”的补救循环，靠原生物理直觉把失误圆回来。

第三个实测是零雷达安全避障，在宇树人形机器人上完成了验证。

一位刚入手宇树（Unitree）人形机器人的开发者，在 Hacker News 社区分享了实测体验：关掉宇树人形机器人的激光雷达、只靠纯视觉控制，对比之下，别的大模型会带着机器人往桌椅撞，换成 Argon 后，机器人快走到桌前会主动放慢脚步、拐弯避障，最后稳稳绕到桌子正前方辨认物品。

Google DeepMind 资深研究科学家 Thomas Kipf 在 X 上看到 Argon 的表现后直言：“前沿大模型如今已经能够直接实现零样本机器人控制，Argon 在这领域展现出的能力太让人振奋了。”

这一系列实测说明，通用大模型正跳出单纯的“高层任务拆解”，开始展现基于视觉反馈的原生闭环控制能力。

随手一张图，秒建物理仿真

机器人研发的全链路上，实机微操常常排在最后；可要动真机，先得搭出高保真的数字孪生环境做虚拟预演，这道工业门槛并不好跨。

过去搭虚拟环境全靠工程师“手搓”，拿尺子量物体尺寸、手写几百行建模代码，还得反复调物体的质量和摩擦力参数，一耗就是数周。现在 Argon 练出了第二项绝活——看一眼现实画面，就能全自动生成物理仿真环境（Real2Sim）。

这个繁重的物理重构过程，被 Argon 压成了一次极度简化的“自动翻译”（Real2Sim）：只要输入一段现实画面或草图，就能直接输出可运行的 3D 物理引擎代码。

视频 1:1 孪生，解构机器人录像。

第一组实验，先给 Argon 放一段第三视角的真实机器人遥操作视频。拿到录像后，Argon 能直接生成 MuJoCo 引擎的三维数字孪生代码，并靠视觉反推，自动补齐物体的质量与关节阻尼。

在严禁代码作弊（比如偷偷加虚假外力，或直接改物体坐标）的前提下，它搭出的虚拟环境连灵巧手指尖的物理接触动力学，都能和真实录像严丝合缝地对齐。

跨物种动作映射，解构人类视频。

和第二组相比，第一组之外的另一组实验，是一段以人类第一视角为主的双手拿放物品视频。

即便面对骨骼结构完全不同的人类双手拿放视频，Argon 也能把人手动作准确转成关节逆运动学（IK）代码，并无缝“移植”到一台全身 76 个关节、配有 22 个自由度五指灵巧手的人形机器人上。

在生成的虚拟空间里，机器手全靠原生指尖摩擦力稳稳抓取物品，全程没有穿模，也没有打滑。

更夸张的是，连视频都可以没有：工程师随手画一张“人形机器人丢球砸倒桌上 6 个金字塔堆叠箱子”的简笔草图，拍照上传，Argon 就能瞬间读懂二维笔触背后的三维空间排布，自动写出物理仿真环境和 140 步全身抛投轨迹，在闭环物理引擎中实测验证“6 个箱子被一击全中”后，还顺手调用 Blender 渲染出一段光影逼真的视频。

靠着这种“看图即建模、写码即仿真”的能力，Argon 不但在工业级测试里表现亮眼，还迅速向下兼容，成了社区开发者手里的“破圈”利器。

Antigravity 平台上线后，有开发者用手机拍了几张杂乱的办公桌照片，上传之后，Argon 转眼就调起 Blender 和 Three.js 引擎，把真实的键盘与水杯逆向还原成一个带真实碰撞效果的 3D 桌面赛车游戏。

更有极客玩家干脆把活儿全交给 Argon：机械臂模型从零写起，网页端的 3D 仿真和控制接口也一并配好，全程没人插手，一台能自己把魔方复原的虚拟机器人就这么在现场“攒”了出来。

扫一眼画面，整套 3D 物理引擎代码就能自动写出来——这种跨模态的工程活儿，靠的是 Argon 在代码生成和三维几何推理上的极限能力。

官方给出的成绩单里，Argon 登上了 3D 空间与蓝图几何基准 Blueprint Bench 2 的第一名；真实软件工程基准 DeepSWE v1.1 上拿到 77.9%（第一），应用构建基准 Vibe Code Bench 上拿到 91.9%（第一）。Claude Opus 5.5 是 74.2% / 90.3%，GPT-6 Astra 是 74.1% / 89.6%，都被它甩在身后。

三维空间感知加上代码工程这两手，Argon 把从二维视觉输入到三维物理仿真代码（Real2Sim）的整条链路做成了全自动生成，原本门槛很高的物理仿真建模，变成了“看图就建模、写码就跑仿真”的自动化工程。

化身质检员，揪出废动作

教机器人干精细活，数据质量一直是最大的拦路虎。人类遥操作录像里难免有停顿、抓滑这些瑕疵帧，直接拿去喂模型，教出来的机器人动作会很笨；可要是人工一帧帧清洗，成本又高得离谱。

Argon 拿出的办法相当颠覆：它不光是操作者，还是一名“通用视频质检员”。靠原生的长视频理解能力，Argon 不用另外训练专门的奖励模型，就能判断“哪些动作有效、哪些是废操作”，海量数据的高优清洗自动就完成了：

四层语义解构（双臂折纸狐狸）

视频里，双臂 ALOHA 2 机器人正把一张正方形纸折成狐狸的样子。折纸看着不难，对机器人却是个硬活：一只机械臂得压住纸，另一只负责折叠、旋转、压平折痕。过程中夹爪抓不稳、停顿、反复尝试都在所难免。

通读整段视频后，Argon 给出一套跟着时间轴走的四层标注：

• 先把总目标定下来——把纸折成狐狸；
• 再把全程…分成 6 个阶段，左右手各干什么理清楚；
• 接着往下细化，拆出 17 个接触级动作；
• 最后把夹爪打滑、纸张分层这类无效操作精准挑出来，这些失误帧被明确标成停滞，还建议后续训练时把它们的权重直接压到 15% 到 25%。

这样一来，后面模型学的时候会自动跳过那些手滑的废动作，只吃干净利落的正确操作。原本得靠人一段段检查、标注的操作数据，现在通用大模型就能帮着处理完。

实时状态推演（双臂分拣戒指）

除了挑错，Argon 判断任务进度的本事也很准。穿戴式夹爪的三机位同步录像里，面对 60 秒的复杂操作，它充当起“通用价值函数”：围绕手指碰到戒指的那一刻，画出实时起伏的任务进度曲线，哪一步在推进、哪一步停了、哪一步在倒退，被拆成 28 个逻辑极其清晰的训练片段。

能把一帧帧像素画面看成“物理状态的有效推进”，还是靠 Argon 原生的长视频理解能力。长视频理解基准 LVBench 上，Argon 直接拿到 91.7% 的全场最高分，GPT-6 Astra 的 87.5%、Claude Opus 5.5 的 83.7%、Claude Fable 5.1 的 79.7% 都被它大幅甩开。

也就是说，过去要靠庞大的人力团队逐段检查、打标、剔除的操作数据，如今交给 Argon 的自动化流水线就能搞定。工程师从繁琐的数据泥潭里被彻底解放出来，机器人底层控制模型（如 VLA）也只吸收干净利落的正确操作，“微操”的下限从源头上就有了保证。

自己造数据飞轮

一个底座模型既能全自动搭仿真，又能当质检员清洗数据，把这两项原生能力在底层闭环耦合起来，物理世界里的“自主改进”就冒出来了。

在研发链路的最顶层，Argon 不再走人工喂数据那条被动路子，光凭强大的长程推理能力，就把“三维重建、任务编排到批量合成”这条自我改进飞轮跑通了：

零样本虚拟造数（双臂桌面实测）

研究人员只给 Argon 一张双臂 Franka 机器人工作台的俯视静态照片，桌上散着红色帽子、眼镜等 9 件派对拍照道具。

全程没有人工帮忙，Argon 单靠一张静态照片，就把从三维重建、任务编排到批量合成训练数据的整条飞轮全自动跑通了：

照片里 9 件道具的尺寸、颜色、姿态被逐一还原，Argon 在 MuJoCo 中一比一搭出了 3D 虚拟桌面。软毛绒帽也没放过——它被加上了带弹簧铰链的可变形皇冠。

随后，77 项训练科目由它自行编排，覆盖单双臂抓取、扶正、推物、空中交接等动作。虚拟环境里道具位置不断随机变化，超过 4,500 条成功的训练轨迹被一口气自动采集下来。研究人员把这批 Argon 自己造出的虚拟经验拿去微调通用的视觉-语言-动作（VLA）模型，再装回真实双臂机器人身上，结果立竿见影：真机采集数据一条未增，平均成功率却从 56% 飙升到 75%，平均完成时间也从 35 秒缩短到 24 秒。

真机自主复盘纠错（单臂乐高分拣）

真实硬件上，Argon 的自我纠错能力同样有所体现。操控 6 自由度机械臂抓取积木时，它每完成一轮就主动调取运行日志与录像进行“复盘”。上一次放积木擦碰了边缘，下一把它立刻主动修正轨迹。仅 3 轮自我迭代，操作耗时便从首轮的 58.9 秒压缩至 17.4 秒，任务耗时减少约 70%。

前沿论文一键复现（算法沙盒复刻）：

谷歌最后展示的是一项跨模态自动化工程实践：一句话（One-prompt）就能把机器人论文复现进浏览器。像《DeepLoco》、《HUSKY》、《Whole-Body MPC》这类带有复杂控制网络与轨迹优化算法的论文，研究人员也只需输入一句提示词，连同论文 PDF 与开源权重一并丢给 Argon。Argon 会通读全文，精准还原电机增益等物理参数，直接生成可交互的网页仿真沙盒。更关键的是，它还会自主调用无头浏览器（Headless Chromium）连跑 300 帧完成零报错自检。目前，已有 68 篇论文完成了全自动复现。

榜单层面，GraphWalks 百万上下文推理榜单（256K–1M）上，Argon 拿下 84.2% 的高分，领先 GPT-6 Astra（71.8%）、Claude Opus 5.5（66.8%）和 Claude Fable 5.1（65.0%）超过 12 个百分点，并支持高达 100 万 Token 的上下文窗口，展现出处理复杂长程任务的潜力。

谷歌 CEO Sundar Pichai 分享的一项极限测试，则印证了 Argon 的工程耐力：面对复杂的机械 CAD 图纸，无人干预的情况下它自主执行了 1,000 轮“写代码、看渲染图、修代码”的极限闭环，最终交出一段丝滑的工业级爆炸拆解动画。

仿真生成、动作质检与超长程代码工程，已被 Argon 彻底打通，它成了驱动机器人算法自我改进的自动化引擎。

人形机器人明星公司 Agility Robotics 的 AI 负责人 Chris Paxton 就感叹过：以 Argon 为代表的前沿模型，正在从根本上改变行业对机器人通用智能构建方式的既有假设。

驱动机器人迭代的，不再是堆成山的人工工程，而是底座模型的算力和物理认知——物理智能（Physical AGI）的自我改进飞轮，到这时才算转了起来。

资料链接：

https://x.com/GoogleDeepMind/status/2110078384617464201

https://developers.googleblog.com/gemini-4-argon-for-robotics/https://aitoolsreview.co.uk/insights/gemini-4-argon-launch

https://artificialanalysis.ai/evaluations/omniscience#aa-omniscience-hallucination-rate