谷歌Gemini Robotics 2.5机器人模型：会系蝴蝶结，奔驰产线成功率96%
谷歌发布 Gemini Robotics 2.5 视觉语言动作模型，提升机器人任务广度、速度、灵巧度、可靠性与安全性，在奔驰生产线实测达 96% 成功率。
11月10日，谷歌发布视觉-语言-动作（VLA）机器人模型
Gemini Robotics 2.5，称这是其迄今能力最强的一版，机器人可学的技能范围和学习速度都有大幅提升。
新模型在灵巧度、可靠性、安全性三方面做了增强，目的是让机器人不再局限于实验室，能走进更非结构化的真实环境，替人分担更多类型的任务。
谷歌今年早些时候已经给人形机器人等多种机器人引入全身智能。这一轮进展很大程度上靠的是Gemini 4 Argon对机器人研发的加速，物理智能的边界因此进一步外扩。
为检验Gemini Robotics 2.5的任务广度、性能与复杂度，谷歌在超过200项不同任务上做了测试。
Gemini Robotics 2.5的提升集中在三个关键领域：
灵巧度：机器人能使用日常工具，也能处理娇嫩的柔性物体，可完成的任务明显增多，性能和灵巧程度都有大幅提高。
可靠性：在奔驰生产线上的真实概念验证中，该模型驱动Apptronik的Apollo 2人形机器人拣选并打包汽车零部件，成功率达96%，这类单调工作可交给机器人，技术人员则专注复杂装配任务。
安全性：机器人进入日常环境后，谷歌优化了物理安全的可引导性，同时推出针对机器人对抗越狱的全新测试基准。
Gemini Robotics 2.5目前正面向谷歌的机器人合作伙伴开放。
真实环境非结构化、不可预测，机器人要处理日常物体，精度和可靠性必须同时在线。谷歌借Gemini Robotics 2.5把模型在任务广度、性能与复杂度上的能力往外推，测试任务达200项，比如用夹子分发食物、给礼品盒系蝴蝶结、移液操作液体等。
这些任务把高级工具使用、复杂可变形物体操作、精细处理易碎物品等多项技能揉在一起，按谷歌的说法，这朝着人类级灵巧度迈了一步。
评估结果显示，该模型在任务精度、鲁棒性和速度上都有明显提升：与先前基线相比，Gemini Robotics 2.5按任务类型不同，成功率高出30%至100%，任务完成速度快20%至30%。
和前代Gemini Robotics模型一样，它原生适配多种机器人类型，包括搭载五指22自由度SharpaWave手的Apptronik Apollo 2人形机器人，以及配备两指平行夹爪的Franka Duo平台。
机器人模型的终极考验，是能不能在真实工作场景中稳定干活。谷歌联合Apptronik、奔驰，在匈牙利凯奇凯梅特、德国辛德尔芬根的在用汽车生产线上部署Apollo 2人形机器人，测试Gemini Robotics 2.5。
机器人很难适应全新的、不可预测的环境，Gemini Robotics模型让Apollo具备思考、多步推理以及随变化调整行动的能力。
这次概念验证中，Apollo 2自主完成汽车物料拣配：这项工作重复性强、体力消耗大，要把散料箱中的单个零部件，按线上每台车辆的精确需求顺序分拣到规整托盘内。IT之家附上相关视频如下：
把这类单调的准备工作交给机器人，流水线运转更顺畅，技术人员也能腾出精力专注复杂装配任务。
谷歌用具身推理模型Gemini Robotics ER追踪工作流，由Gemini Robotics 2.5动作模型控制机器人的手臂与手部：机器人探入供料箱、拾取金属汽车支架、放入排序容器，全程修正装配间隙。
试点测试成功率达96%，大规模工业场景落地应用的前景可观。机器人在杂乱的日常空间中作业时，物理安全是第一位的，谷歌对Gemini Robotics 2.5的安全特性做了大幅升级。
Gemini Robotics 2.5采用推理时推理引导机制，可实时规避物理危险。安全分类器为Gemini的响应加了一层防护，这套引导能力则让机器人能安全穿行于复杂环境。
评估显示，该能力让机器人在障碍物周边的安全任务完成率提升33%，在人员周边的安全任务完成率提升43%。
在长周期智能体任务的安全性上，谷歌同样在布局：智能体机器人评估涵盖危险任务拒绝、不确定性消解、近距离人机协作等维度，Gemini 4 Argon在其中处于领先水平。
越狱鲁棒性的测试也有了专门工具。谷歌开源了基准 ASIMOV-Jailbreak，里面塞进数百条提示，全都伪装成危险请求，场景覆盖数十类。Gemini 4 Argon 抵御越狱的成功率达到 99.5%，前代基线 Gemini Robotics ER 2 只有 82%，差距明显。
想让机器人学会新技能，研究人员得先啃下两块硬骨头：海量物理数据，还有高效的建模算法。Gemini 4 Argon 的机器人研发能力正好能当仿真引擎用，把这两个瓶颈解开，Gemini Robotics 2.5 的开发进度因此快了不少。
具体怎么用？Argon 能照着真实相机拍到的场景，生成数千个各不相同的模拟练习片段，搭出高保真的数字孪生。再配上真实训练演示数据，机器人适配新场景、新物体的速度就上来了。
任务失败的原因，它也能帮着推演。研究人员可以从视频片段里找问题，然后在仿真环境和真实机器人上同步验证最优的改进方案。
有了 Gemini 4 Argon 这类前沿智能模型提速，Gemini Robotics 2.5 成了通往物理通用智能路上的一个重要节点。谷歌眼下在三个方向持续打磨：灵巧度、真实可靠性、严苛安全，目标是造出能和人一起解决现实难题的物理智能。
