Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型

2026年11月10日 模型

Carolina Parada

我们正在让机器人更快地学习适应真实世界——从日常技能到工厂车间

今天，我们推出 Gemini Robotics 2.5，这是我们迄今为止能力最强的视觉-语言-动作（VLA）模型。Gemini Robotics 2.5 既拓展了机器人可学习技能的广度，也提升了其习得技能的速度。这增强了灵活性、可靠性和安全性，帮助机器人走出实验室，进入更加非结构化的真实环境，在那里它们可以协助人们完成更多种类的任务。

今年早些时候，我们为包括人形机器人在内的多种机器人带来了全身智能。如今，很大程度上得益于 Gemini 4 Argon 加速机器人研究的能力，我们进一步推动了物理智能的前沿。我们在 200 多项不同任务中测试了 Gemini Robotics 2.5 在任务广度、性能和复杂度方面的能力，而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：

• 灵活性：我们的机器人能够以更高的性能和灵活性完成显著更多的任务——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 人形机器人拣选和包装汽车零部件，成功率达到 96%。这有望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引导性，并推出了一项新基准，用于测试针对机器人特有的对抗性越狱攻击。

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、可靠性与灵活性

由于真实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体。

借助 Gemini Robotics 2.5，我们扩展了模型在任务广度、性能和复杂度方面的能力。我们在 200 项不同任务上评估了该模型——例如用夹子盛放食物、在礼盒上系蝴蝶结，以及用移液器移取液体。这些任务通过结合多种技能——包括高级工具使用、对可变形物体的复杂操作，以及灵巧地处理精致物体——朝着人类级别的灵活性迈出了一步。

我们的评估显示，任务精度、鲁棒性和速度均有显著提升。与之前的基线相比，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快了 20% 到 30%。

与我们之前的 Gemini Robotics 模型一样，它原生支持多种不同的机器人类型，包括Apptronik 的 Apollo 2 人形机器人（配备五指、22 自由度的 SharpaWave 手）以及配备两指平行夹爪的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

机器人模型的最终衡量标准是它能否在活跃的工作场所中可靠地执行任务。为了检验 Gemini Robotics 2.5，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环境，我们的 Gemini Robotics 模型赋予 Apollo 思考、多步推理并采取行动适应变化的能力。在此概念验证中，Apollo 2 自主执行汽车套件分拣：这是一项重复且耗费体力的任务，需要将散装料箱中的单个零件按装配线上每辆车的精确顺序分拣到有序托盘中。卸下这项单调的准备工作有助于保持装配线运转，同时让技术人员腾出精力专注于复杂的装配任务。

借助我们的具身推理模型（Gemini Robotics ER）跟踪工作流程，并使用 Gemini Robotics 2.5 动作模型控制其手和手臂，机器人伸入供料箱，拾取金属汽车支架，并将它们放入排序容器中，同时纠正任何间隙。该试点项目实现了 96% 的成功率，显示出朝着广泛实际工业应用迈出的可喜进展。

提升机器人的可操控性与智能体安全性

随着机器人在杂乱日常空间中运行，物理安全至关重要。为帮助确保这一点，我们大幅提升了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 使用推理时引导在实时中绕开物理危险。就像安全分类器为 Gemini 的响应增加一层保护一样，这种引导使机器人能够安全地穿越复杂环境。在我们的评估中，这一能力将绕开障碍物的安全任务完成率提升了 33%，绕开附近人员的安全任务完成率提升了 43%。

我们还在提升长时程智能体任务的安全性。Gemini 4 Argon 目前在智能体机器人评估中领先，涵盖不安全任务拒绝、解决不确定性以及与人类近距离协作。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，包含数百条提示，在数十个场景中伪装不安全请求。Argon 实现了 99.5% 的越狱抵抗力——相较我们此前基线 Gemini Robotics ER 2 的 82% 有显著提升。

以 Gemini 4 Argon 加速机器人技术发展

为教授机器人新技能，研究人员需要大量物理数据和高效建模算法。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，极大加速了我们开发 Gemini Robotics 2.5 的进程。

为教授机器人新技能，研究人员需要大量物理数据和高效建模算法。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，极大加速了我们开发 Gemini Robotics 2.5 的进程。

Argon 可以从真实世界的相机场景中生成数千个多样化的模拟练习运行，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的场景和物体。Argon 还可以帮助研究人员根据视频片段推测任务失败的原因，并在模拟环境和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下，Gemini Robotics 2.5 标志着迈向解决物理 AGI 的重要里程碑。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，使机器人能够与人类协同工作并解决现实世界的挑战

致谢

这项工作由 Gemini Robotics 团队完成。感谢以下人士对本项工作的领导和支持：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 中为本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、负责任发展与创新、政策、战略与运营，以及我们的业务与企业发展团队。最后，我们还要感谢我们的合作伙伴：Agile、Apptronik 和 Mercedes-Benz 团队对本次发布的支持。