谷歌推Gemini 4 Argon:能控机器人、建仿真场景,ERQA达87%
谷歌发布了 Gemini 4 Argon,并将其定位为一款通用物理推理模型,适用于机器人控制、 Real2Sim 场景构建、机器人视频多模态标注以及迭代策略优化,而非单一的末端执行器策略。
谷歌拿出了
Gemini 4 Argon,把它定义为通用物理推理模型。按官方说法,这款模型面向机器人控制、Real2Sim 场景构建、机器人视频多模态标注以及迭代策略优化,并不是只做单一末端执行器策略的东西。
已公开的提示词里记录了这几类用法:在 MuJoCo 孪生环境中训练之后,Argon 指挥波士顿动力公司的 Spot 机器人完成了脚踏板任务;借助视觉坐标和 HTTP 运动原语,操控结构相对简单的机械臂;再通过 Gemini Omni 视频世界模型做闭环控制。Real2Sim 的示例是从遥操作视频里重建出 MuJoCo 场景;标注类提示词则对演示视频打标注,用于行为克隆。谷歌还称,他们用一张 RGB 照片合成了带领域随机化的 MuJoCo 场景,并据此微调视觉-语言-动作策略,在对应的真实环境中成功率由 56% 升到 75% 。
在“具身推理问答(ERQA)”基准测试中,谷歌报告 Argon 不借助任何辅助工具、纯靠推理就拿到 87% 的得分,并称这一成绩在该测试中领先其他前沿模型。目前 Argon 向 Google AI Ultra 订阅用户开放,也可通过付费的 Gemini API 调用,模型 ID 是 gemini-4-argon(详见 Gemini API 模型文档)。
不过,那篇机器人技术博文里用上了针对具体任务的大段提示词、坐标网格、运动原语和验证器,辅助结构本身就是被测系统的一部分;谷歌只公布了单个 VLA 案例,各项演示的失败率没有披露。早期从业者的讨论,焦点多落在模拟保真度上。Davin YC Dong 在 X 上这样评论:
谷歌那个 Gemini 4 Argon 机器人演示,不光靠视觉来校准仿真孪生体,还会专门针对现实里的物理接触事件做调优。这恰恰是我要重点核查的地方:一个场景看着可能挺像真的,里面的物理表现却未必对。做机械操作,接触那一刻的实际行为和像素匹配一样关键。
另外,本周流传着一个关于 Video-to-Sim-to-Real 的说法,开发者 pulpmatrix 为此呼吁大家注意信息来源的严谨性:
“Video-to-Sim-to-Real 技术是真实存在的,这一点谷歌的开发博客 Gemini 4 Argon for Robotics 已经证实(MuJoCo 孪生模型,ERQA 达 87%)。不过,玉米洞(Cornhole
)游戏并未包含在内:既无论文,也无代码库,更无命中率数据,而且实际投掷数据是先用于校准机器人的。”
专做视觉-语言-动作的系统,比如 OpenVLA 类策略、Physical Intelligence 的 π 系列模型,以及配套 Isaac 工具链的 NVIDIA GR00T,都是围绕机器人在具身场景下的动作预测做优化,通常要靠大型遥操作或模拟语料库。场景到模拟(Scene-to-sim)与生成式世界工具、World Labs 风格的重建、NVIDIA DreamDojo 风格的动作视频、Isaac Sim 数字孪生,重点在环境合成或视频预测,但未必具备谷歌提示词中那一整套控制与质量控制(QC)闭环。空间感知和规划方向上,谷歌此前的工作如 Gemini Robotics-ER,一直是一条重要的研究线。从架构评审的角度看,关键问题是:一个前沿模型加一套复杂的提示词体系,能不能替代由 VLA、模拟器和标注服务组成的管道。