Google hat Gemini 4 Argon vorgestellt, ein Modell für Aufgaben des physikalischen Denkens in der Robotik. Es kann einen Roboterhund vom Typ Boston Dynamics Spot durch eine Übung mit einem Fußpedal steuern, nachdem es diese zuvor in einer MuJoCo-Simulationskopie geübt hat. Außerdem kann es einen einfachen Roboterarm anhand visueller Koordinaten und HTTP-Bewegungsbefehle steuern. Zusammen mit dem Video-Weltmodell Gemini Omni schließt es den Wahrnehmungs-Handlungs-Kreislauf.
Argon kann MuJoCo-Simulationsszenen aus Videos mit ferngesteuerten Robotern rekonstruieren – ein Verfahren, das Google Real2Sim nennt – und Demonstrationsvideos für das Behavior Cloning beschriften. Laut Google kann das Modell aus einem einzelnen RGB-Foto MuJoCo-Simulationsepisoden mit zufällig variierten Umgebungsbedingungen erzeugen und damit eine Vision-Language-Action-Strategie nachtrainieren. Dadurch stieg die Erfolgsquote am realen Roboter von 56% auf 75%.
Leistung und Zugang
Google zufolge erreichte Argon beim Benchmark Embodied Reasoning Question Answering (ERQA) mit reinem Schlussfolgern und ohne externe Werkzeuge eine Genauigkeit von 87%. Das Unternehmen sagt, damit liege das Modell im selben Test vor anderen führenden Modellen. Argon steht Google AI Ultra-Abonnenten zur Verfügung und kann über die kostenpflichtige Gemini API mit der Modell-ID gemini-4-argon aufgerufen werden.
Die Robotik-Demos beruhen auf langen, aufgabenspezifischen Prompts mit Koordinatengittern, Bewegungsbausteinen und Prüfschritten. Detaillierte Fehlerraten für die einzelnen Demos hat Google nicht veröffentlicht; das Unternehmen verweist lediglich auf den Einzelfall mit dem Video-Weltmodell.
Erste Reaktionen
Fachleute weisen darauf hin, wie wichtig die Genauigkeit der Simulation ist. Davin YC Dong warnte auf X, eine Szene könne realistisch aussehen, obwohl die physikalischen Interaktionen nicht stimmten – ein entscheidender Punkt bei Manipulationsaufgaben. Ein weiterer Entwickler, pulpmatrix, betonte, dass Behauptungen zu „Video-to-Sim-to-Real“-Pipelines klar belegt werden müssten. Zur aktuellen Veröffentlichung gehörten weder ein Paper noch ein Code-Repository oder Trefferquoten für das Cornhole-Beispiel.
Spezialisierte Systeme wie OpenVLA, die π-Modellfamilie von Physical Intelligence und GR00T von NVIDIA konzentrieren sich auf die Vorhersage von Aktionen für bestimmte Robotertypen und nutzen typischerweise umfangreiche Datensätze aus ferngesteuerten Robotern. Google bündelt Wahrnehmung, Simulation und Steuerung in einem einzigen Modell, das stark auf Prompts angewiesen ist. Damit stellt sich die Frage, ob es eine Pipeline aus mehreren Diensten ersetzen kann.
Warum es wichtig ist
Für Entwickler in der Robotik bietet Argon ein einzelnes Modell, das Videodaten in simulierte Trainingsumgebungen umwandeln und Steuerungsstrategien für Roboter verbessern kann. Dadurch könnten die Kosten für separate Pipelines zur Wahrnehmung, Simulation und Steuerung sinken. Da detaillierte Fehlerkennzahlen und frei zugängliche Ressourcen fehlen, müssen Nutzer die Leistung jedoch zunächst mit ihrer eigenen Hardware überprüfen, bevor sie sich bei kritischen Aufgaben darauf verlassen.
