Google представила Gemini 4 Argon — модель для задач физического мышления в робототехнике. Она может провести робота Spot от Boston Dynamics через упражнение с педалью после тренировки в симуляции MuJoCo. Модель также умеет управлять простой роботизированной рукой с помощью визуальных координат и HTTP-команд движения, а в сочетании с видеомоделью мира Gemini Omni замыкает цикл восприятия и действия.
Argon может воссоздавать сцены MuJoCo по видео телеуправления — этот процесс Google называет Real2Sim — и размечать демонстрационные ролики для обучения имитацией поведения. По словам Google, модель способна генерировать эпизоды MuJoCo с рандомизацией параметров среды на основе одной RGB-фотографии, а затем использовать их для дообучения модели «зрение — язык — действие». Это повысило успешность выполнения задачи реальным роботом с 56% до 75%.
Результаты и доступность
По данным Google, Argon показала точность 87% в бенчмарке Embodied Reasoning Question Answering (ERQA), используя только рассуждения, без внешних инструментов. Компания утверждает, что по этому тесту модель превосходит другие передовые модели. Argon доступна подписчикам Google AI Ultra и через платный Gemini API под идентификатором gemini-4-argon.
Демонстрации робототехнических возможностей опираются на длинные промпты для конкретных задач, в которые включены координатные сетки, примитивы движения и этапы проверки результата. Google не опубликовала подробные показатели ошибок для каждой демонстрации, упомянув лишь один случай с видеомоделью мира.
Первые отзывы
Специалисты отмечают, что точность симуляции имеет большое значение. Давин Й. К. Донг в публикации на X предупредил: сцена может выглядеть реалистично, но физические взаимодействия в ней могут быть смоделированы неверно, что особенно важно для задач манипуляции объектами. Другой разработчик, pulpmatrix, подчеркнул, что заявления о конвейерах «Video-to-Sim-to-Real» должны сопровождаться понятной документацией об источниках. В нынешнем релизе, отметил он, нет ни статьи, ни репозитория с кодом, ни статистики успешности для примера с корнхолом.
Специализированные системы, такие как OpenVLA, семейство π от Physical Intelligence и GR00T от NVIDIA, сосредоточены на предсказании действий для конкретных типов роботов и обычно используют большие наборы данных телеуправления. Подход Google объединяет восприятие, симуляцию и управление в одной модели, полагаясь на подробные промпты. Это вызывает вопрос, сможет ли она заменить конвейер из нескольких сервисов.
Почему это важно
Для разработчиков робототехники Argon предлагает единую модель, которая превращает видеоданные в симулированные среды для обучения и помогает совершенствовать стратегии управления роботами. Это может снизить затраты на создание отдельных конвейеров восприятия, симуляции и управления. Однако из-за отсутствия подробной статистики ошибок и открытых ресурсов пользователям придётся проверять работу модели на собственном оборудовании, прежде чем доверять ей критически важные задачи.
