谷歌推 Gemini 4 Argon:面向机器人控制与策略优化
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。 在已发布的提示词中,在 MuJoCo 孪生环境中进行训练后,Argon 引导波士顿动力公司的 Spot 机器人完成了脚踏板任务;利
谷歌正式推出
Gemini 4 Argon,给它的定位是通用物理推理模型。这款模型覆盖机器人控制、Real2Sim 场景构建、机器人视频多模态标注和迭代策略优化,并不是只做一个末端执行器策略。
已公开的提示词显示,Argon 先在 MuJoCo 孪生环境中训练,再引导波士顿动力公司的 Spot 机器人完成脚踏板任务;它还能借助视觉坐标和 HTTP 运动原语,操控结构相对简单的机械臂;闭环控制则通过 Gemini Omni 视频世界模型实现。Real2Sim 示例的做法是从遥操作视频里重建出 MuJoCo 场景;标注提示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 照片合成了领域随机化的 MuJoCo 场景,并用它微调视觉-语言-动作策略,在对应的真实环境中,成功率由 56% 提升到 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、仅靠纯推理就拿到 87% 的得分,并表示这一成绩在该测试中领先于其他前沿模型。订阅 Google AI Ultra 的用户可以使用 Argon,付费的 Gemini API 同样提供,模型 ID 为 gemini-4-argon(详见 Gemini API 模型文档)。该机器人技术博文里用到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,也就是说辅助结构本身就是被测系统的一部分;而谷歌只公开了单个 VLA 案例,各项演示的失败率并未公布。
早期从业者的讨论,大多落在模拟保真度上。Davin YC Dong 在 X 上这样评论:
谷歌的 Gemini 4 Argon 机器人演示案例,不光会从视觉维度去校准仿真孪生体,还会针对真实世界里的物理接触事件做专项调优。Davin YC Dong 表示,这正是他会重点检查的部分:一个场景看着可能很逼真,里面的物理行为却未必正确。对机械操作来说,接触时的实际行为是否匹配,和像素是否匹配一样重要。
另外,围绕本周流传的 Video-to-Sim-to-Real 说法,开发者 pulpmatrix 呼吁大家注意信息来源的严谨性:
pulpmatrix 称,Video-to-Sim-to-Real 技术确实存在,谷歌的开发博客 Gemini 4 Argon for Robotics 已经证实了这一点(MuJoCo 孪生模型,ERQA 达 87%)。但玉米洞(Cornhole
)游戏并不在其中:没有论文,没有代码库,也没有命中率数据,而且实际投掷数据是先拿去校准机器人的。
专门的视觉-语言-动作系统,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,都是针对机器人在具身场景下的动作预测做优化,通常依赖大型遥操作或模拟语料库。场景到模拟(Scene-to-sim)和生成式世界工具、World Labs 风格的重建、NVIDIA DreamDojo 风格的动作视频,以及 Isaac Sim 数字孪生,重点放在环境合成或视频预测上,但未必具备谷歌提示词里展示的那套完整控制与质量控制(QC)闭环。在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,关键问题在于:一个前沿模型加上复杂的提示词体系,能不能取代由 VLA、模拟器和标注服务组成的管道。