Google推出Gemini 4 Argon，这是一款专为机器人领域物理推理任务设计的模型。它可以先在MuJoCo仿真数字孪生环境中练习，再引导Boston Dynamics Spot机器人完成脚踏板练习。它还能够根据视觉坐标和HTTP运动指令操控简单的机械臂，并与Gemini Omni的视频世界模型协同工作，形成感知—行动闭环。
Argon可以根据远程操控视频重建MuJoCo仿真场景（Google将这一过程称为Real2Sim），还可以为示范视频添加标签，用于行为克隆。Google表示，它能根据单张RGB照片合成带有领域随机化的MuJoCo训练片段，并用这些片段微调视觉-语言-动作策略，使真实机器人上的成功率从56%提升至75%。
性能与使用方式
Google称，Argon在Embodied Reasoning Question Answering（ERQA）基准测试中，仅靠推理、无需外部工具便取得87%的准确率。该公司表示，这一成绩领先于其他前沿模型在同一测试中的表现。Google AI Ultra订阅用户可以使用Argon，也可通过付费Gemini API调用，模型ID为gemini-4-argon。
这些机器人演示依赖较长的任务专用提示词，其中包含坐标网格、运动原语和验证步骤。Google尚未公布各项演示的详细失败率，只提到了一个使用视频世界模型的案例。
早期反响
业内人士指出，仿真是否准确至关重要。Davin YC Dong在X上评论称，场景看起来可能很逼真，但其中的物理交互却可能不正确，而这对机械操作任务尤为关键。另一名开发者pulpmatrix则强调，对于“Video-to-Sim-to-Real”流程的相关说法，需要明确说明信息来源；他指出，目前的发布内容没有论文、代码库，也没有cornhole示例的成功率统计。
OpenVLA、Physical Intelligence的π系列以及NVIDIA的GR00T等专用系统，侧重于针对特定机器人形态预测动作，通常依赖大型远程操控数据集。Google的方案则将感知、仿真和控制整合进单个模型，并大量依赖提示词。这也引发了一个问题：它能否取代由多个服务组成的工作流程？
为什么重要
对机器人开发者而言，Argon提供了一个模型，可将视频数据转化为仿真训练环境并改进机器人的策略，有望降低分别搭建感知、仿真和控制流程的成本。不过，由于缺少详细的失败指标和开源资源，用户在将其用于关键任务前，仍需在自己的硬件上验证其性能。
