Google har presenterat Gemini 4 Argon, en modell utvecklad för uppgifter inom fysiskt resonerande i robotik. Modellen kan styra en Boston Dynamics Spot-robot genom en övning med fotpedaler efter att ha tränat i en MuJoCo-simulering av roboten. Den kan också styra en enkel robotarm med visuella koordinater och HTTP-kommandon för rörelser. Tillsammans med Gemini Omnis videovärldsmodell kan den sluta kretsloppet mellan perception och handling.
Argon kan återskapa scener i MuJoCo-simuleringar från video av fjärrstyrning, en process som Google kallar Real2Sim, och märka upp demonstrationsvideor för beteendekloning. Google uppger att modellen kan generera domänrandomiserade MuJoCo-episoder utifrån ett enda RGB-foto och använda dem för att finjustera en modell för syn, språk och handling. Det ökade framgångsgraden på den verkliga roboten från 56% till 75%.
Prestanda och tillgång
Google uppger att Argon nådde 87% träffsäkerhet på testet Embodied Reasoning Question Answering (ERQA) med enbart resonemang, utan externa verktyg. Enligt företaget är resultatet bättre än andra ledande modeller på samma test. Argon erbjuds till Google AI Ultra-prenumeranter och kan användas via den avgiftsbelagda Gemini API-tjänsten under modell-ID:t gemini-4-argon.
Robotdemonstrationerna bygger på långa, uppgiftsspecifika instruktioner med koordinatnät, rörelsekommandon och verifieringssteg. Google har inte publicerat detaljerade siffror över misslyckanden för varje demonstration, utan har bara uppmärksammat ett enskilt fall med videovärldsmodellen.
Tidiga reaktioner
Yrkesverksamma inom området har påpekat att simuleringens träffsäkerhet är viktig. Davin YC Dong varnade i ett inlägg på X för att en scen kan se realistisk ut samtidigt som de fysiska interaktionerna inte stämmer, något som är avgörande vid manipulationsuppgifter. En annan utvecklare, pulpmatrix, lyfte fram behovet av tydlig dokumentation som styrker påståenden om ”Video-to-Sim-to-Real”-flöden och påpekade att den aktuella lanseringen saknar en forskningsartikel, kodbas och statistik över träffsäkerhet för cornhole-exemplet.
Specialiserade system som OpenVLA, Physical Intelligences π-familj och NVIDIA GR00T fokuserar på att förutsäga handlingar för specifika robotplattformar och bygger vanligtvis på stora datamängder från fjärrstyrning. Googles lösning samlar perception, simulering och styrning i en enda modell med omfattande instruktioner, vilket väcker frågor om huruvida den kan ersätta ett flertjänstflöde.
Varför det spelar roll
För robotikutvecklare erbjuder Argon en enda modell som kan omvandla videodata till simulerade träningsmiljöer och förbättra robotars styrstrategier. Det kan minska kostnaden för att bygga separata flöden för perception, simulering och styrning. Men eftersom detaljerad statistik över misslyckanden och öppna resurser saknas behöver användarna själva kontrollera prestandan på sin hårdvara innan de förlitar sig på modellen för kritiska uppgifter.
