导语
谷歌发布 Gemini 4 Argon,将其定位为通用物理推理模型,而不是只负责输出机器人动作的单一策略网络。公开演示把它放进机器人工作流的多个环节:从理解视频和构建仿真环境,到生成标注、控制机器人,再到迭代优化策略。这样的定位扩大了模型的应用范围,也让评估问题变得更复杂。
核心要点
- **机器人控制:**谷歌称,在 MuJoCo 孪生环境中训练后,Argon 引导波士顿动力 Spot 完成脚踏板任务。另一项演示则让模型通过视觉坐标和 HTTP 运动原语操控较简单的机械臂;还有案例借助 Gemini Omni 视频世界模型进行闭环控制。
- **从视频和图像构建训练资源:**Real2Sim 示例根据遥操作视频重建 MuJoCo 场景;视频标注提示词则把演示整理成可用于行为克隆的标注。谷歌还展示了从一张 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。谷歌报告称,该策略在相应真实环境中的成功率由 56% 升至 75%。
- **基准结果与可用方式:**谷歌称 Argon 在具身推理问答(ERQA)基准上不借助辅助工具取得 87% 得分,并称其领先其他前沿模型。模型面向 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。
解读:模型之外还有一套系统
这些演示不等于 Argon 在没有外部结构的情况下独立完成所有机器人任务。公开提示词包含针对具体任务的详细指令、坐标网格、运动原语和验证器;这些组件共同构成被展示的系统。谷歌目前公布的是单个 VLA 案例,没有给出各项演示的失败率。因此,87% 的基准成绩与具体任务中的成功率不能直接视为同一种能力证明。
仿真质量也是关键变量。场景在视觉上接近真实,不代表物体接触、摩擦等物理行为也准确;对于机器人操作,接触过程能否匹配现实,关系到仿真训练能否迁移到真实环境。将模型、仿真器和质量控制结合起来,可能减少分散式工具链之间的衔接工作,但现有材料还不足以证明它能取代专门的 VLA 策略、模拟器或标注服务。后续值得关注的,是更完整的测试结果、失败案例,以及仿真与真实接触行为之间的验证。
来源:InfoQ 中文
评论
正在确认登录状态……
正在加载评论……