谷歌推出Gemini 4 Argon,面向机器人控制与仿真优化
谷歌推出Gemini 4 Argon,将其定位为面向具身智能的通用物理推理模型,而非只负责单一末端执行器策略。模型覆盖机器人控制、Real2Sim场景重建、机器人视频多模态标注和策略迭代优化等任务。
在展示案例中,Argon先在MuJoCo数字孪生环境中训练,再引导波士顿动力Spot机器人完成脚踏板任务;它还可结合视觉坐标和HTTP运动原语控制较简单的机械臂,并借助Gemini Omni视频世界模型实现闭环控制。Real2Sim示例则从遥操作视频重建MuJoCo场景,标注提示能够为演示视频添加行为标签,用于行为克隆。
谷歌还演示了从单张RGB照片合成带领域随机化的MuJoCo场景,并据此微调视觉-语言-动作策略。在对应真实环境中,任务成功率由56%提高到75%。在具身推理问答(ERQA)基准中,Argon不依赖外部工具、仅凭模型推理获得87%得分,谷歌称这一成绩领先其他前沿模型。
该模型已向Google AI Ultra订阅用户开放,也可通过付费Gemini API调用,模型ID为gemini-4-argon。不过,相关机器人演示使用了针对具体任务设计的大段提示词、坐标网格、运动原语和验证器,这些辅助结构也属于被测系统的一部分。谷歌目前只公布了单个VLA案例,尚未披露各项演示的失败率。
业内早期讨论主要聚焦仿真保真度。有观点认为,Argon不仅需要从视觉层面校准数字孪生,还要针对真实世界的物理接触进行调优;对于机械操作而言,接触行为是否匹配真实情况,与画面像素是否逼真同样重要。另有开发者提醒,Video-to-Sim-to-Real技术确有相关证据,但网传的Cornhole游戏并不在此次材料中,既没有论文和代码,也没有命中率数据,实际投掷数据还曾用于机器人校准。
与OpenVLA、Physical Intelligence的π系列及NVIDIA GR00T等专注动作预测的VLA系统相比,Argon试图把控制、模拟、标注和质量控制纳入同一套提示驱动流程。Scene-to-Sim、生成式世界模型、视频动作预测和Isaac Sim数字孪生则更多关注环境重建或视频预测。谷歌此前的Gemini Robotics-ER也持续布局空间感知与规划,Argon最终能否替代由VLA、模拟器和标注服务组成的传统管道,仍需更多公开测试验证。
本文基于公开渠道信息整理,内容可能存在不准确或遗漏之处,不代表本站立场,如内容涉及侵权或错误,请联系我们处理。
阅读原文