Google DeepMind 推出 Gemini Robotics 2.5，任務成功率相較先前基準最高翻倍。搭載模型的 Apollo 2 人形機器人，也在賓士產線零件分揀試驗中達到 96% 成功率。
（前情提要：Google DeepMind 發表 Gemini Robotics 2！賦予機器人「全身智能」邁向實體 AGI）
（背景補充：Google 發表 Gemini 4 Argon！空間推理大進化、驅動 Apollo 人形機器人，API 定價出爐）
Google DeepMind 11 月 10 日宣布推出 Gemini Robotics 2.5，這套視覺—語言—動作（VLA）模型，讓機器人把看到的環境與接收到的指令轉成實際操作。此次更新著重擴大技能範圍，並提高精細動作、現場可靠度與安全性。
官方在 X 的貼文列出摺衣服、端送糕點與工廠零件分類等用途。從日常家務到汽車產線，Google DeepMind 要推進的，是機器人面對不同物件時，能否學得更快、做得更穩。
200 項任務測試，成功率最高相對提高一倍
Google DeepMind 在 200 項不同任務中評估新模型，內容包括用夾子盛裝食物、替禮盒繫蝴蝶結，以及用移液器轉移液體。這些動作涵蓋工具使用、柔軟物件操作與易損物品處理，考驗的不只是把東西抓起來。
公司公布的結果顯示，依任務類型不同，Gemini Robotics 2.5 的成功率相較先前測試基準提高 30% 至 100%，最高相當於翻倍；完成任務的速度也提高 20% 至 30%。
模型可用於不同機器人硬體，包括配備五指機械手的 Apptronik Apollo 2 人形機器人，以及使用雙指平行夾爪的 Franka Duo。也就是說，這次改進並非只針對單一款機械手的展示。
Apollo 2 走進賓士產線，零件分揀試驗成功率達 96%
比實驗室操作更直接的測試，來自賓士實際運作中的汽車產線。Google DeepMind 與 Apptronik、Mercedes-Benz 合作，在匈牙利 Kecskemét 與德國 Sindelfingen 工廠進行概念驗證，由 Apollo 2 處理汽車零件備料。
機器人須從散裝料箱中取出金屬支架，依各輛車組裝所需的順序，放進排列好的容器，並在過程中修正缺漏。這項零件分揀與裝盤試驗達到 96% 成功率。
其中，具身推理模型 Gemini Robotics ER 負責追蹤工作流程，Gemini Robotics 2.5 動作模型則控制雙手與手臂。這種分工把多步驟判斷與實際操作接起來，讓機器人承擔重複備料，技師則能把時間留給較複雜的組裝工作。
Argon 用模擬加速學習，安全引導跟著動作一起改進
這次升級的另一個關鍵，是 Gemini 4 Argon 參與機器人研究。它能從真實攝影機拍到的場景建立數位分身，產生數千次不同的模擬練習，再結合真實操作示範，協助模型適應新的場景與物件。
Argon 也能分析操作失敗的影片，協助研究人員提出失敗原因與改善假設，再到模擬環境及真實機器人上測試。訓練因此不必每次都只靠實體機器重複試錯，仍保留真實示範與現場驗證。
安全方面，Gemini Robotics 2.5 在執行動作時加入推理引導，以避開實體危險。團隊另外推出開源測試基準 ASIMOV-Jailbreak，用偽裝成一般任務的不安全要求，檢驗機器人相關代理的越獄抵抗能力。
Gemini Robotics 2.5 正陸續提供給機器人合作夥伴。從模擬環境反覆練習，到產線按順序取放零件，這次更新把學習速度與現場操作連在一起，朝向減少重複備料負擔、提高操作穩定性的實際用途推進。
📍相關報導📍
Google 秀 5 個 Gemini 4 Argon 實作！一句提示做出 3D 遊戲，跑分壓過 GPT-6 Astra
