Google DeepMind lanza Gemini Robotics 2.5, que duplica la tasa de éxito de la misión en comparación con puntos de referencia anteriores. El robot humanoide Apollo 2 equipado con este modelo también logró una tasa de éxito del 96 % en las pruebas de clasificación de piezas en las líneas de producción de Mercedes-Benz. (Resumen anterior: ¡Google DeepMind lanzó Gemini Robotics 2! Dota a los robots de "inteligencia de todo el cuerpo" y avanza hacia AGI física) (Suplemento de antecedentes: ¡Google lanzó Gemini 4 Argon! Una gran evolución del razonamiento espacial, impulsando el robot humanoide Apollo, se lanzaron precios de API) Google DeepMind anunció el lanzamiento de Gemini Robotics el 10 de noviembre 2.5, este modelo de visión-lenguaje-acción (VLA) permite al robot convertir el entorno que ve y el instrucciones que recibe en operaciones reales. Esta actualización se centra en ampliar el rango de habilidades y mejorar los movimientos finos, la confiabilidad y la seguridad en el campo. La publicación oficial en X enumera usos como doblar ropa, entregar pasteles y clasificar piezas de fábrica. Desde las tareas domésticas diarias hasta las líneas de producción de automóviles, lo que Google DeepMind quiere promover es si los robots pueden aprender más rápido y hacer las cosas de manera más estable cuando se enfrentan a diferentes objetos. Probado en 200 tareas, la tasa de éxito relativa más alta se duplicó. Google DeepMind evaluó el nuevo modelo en 200 tareas diferentes, incluyendo sostener comida con pinzas, atar un lazo a una caja de regalo y transferir líquidos con una pipeta. Estas acciones abarcan el uso de herramientas, la manipulación de objetos blandos y el manejo de elementos frágiles, y la prueba no se trata sólo de agarrar cosas. Los resultados anunciados por la compañía muestran que, dependiendo del tipo de tarea, la tasa de éxito de Gemini Robotics 2.5 aumenta entre un 30% y un 100% en comparación con la prueba comparativa anterior, hasta el doble, y la velocidad para completar las tareas también aumenta entre un 20% y un 30%. Hay modelos disponibles para diferentes hardware robóticos, incluido el robot humanoide Apptronik Apollo 2 con un manipulador de cinco dedos y el Franka Duo que utiliza una pinza paralela de dos dedos. En otras palabras, esta mejora no es sólo para la visualización de un único robot. El Apollo 2 entró en la línea de producción de Mercedes-Benz y la tasa de éxito de la prueba de clasificación de piezas alcanzó el 96%. La prueba es más directa que la operación de laboratorio y proviene de la línea de producción de automóviles en funcionamiento real de Mercedes-Benz. Google DeepMind colaboró ​​con Apptronik y Mercedes-Benz para realizar una prueba de concepto en las plantas de Kecskemét, Hungría, y Sindelfingen, en Alemania, donde el Apollo 2 se encarga de la preparación de piezas de automóviles. El robot debe sacar los soportes metálicos de la caja de material a granel, colocarlos en los contenedores dispuestos en el orden necesario para cada montaje del vehículo y corregir los posibles defectos del proceso. La prueba de clasificación y paletizado de piezas logró una tasa de éxito del 96 %. Entre ellos, el modelo de razonamiento incorporado Gemini Robotics ER es responsable de rastrear el flujo de trabajo, y el modelo de acción Gemini Robotics 2.5 controla las manos y los brazos. Esta división del trabajo conecta el juicio de varios pasos con las operaciones reales, lo que permite a los robots realizar repetidas preparaciones de materiales, mientras que los técnicos pueden dejar tiempo para trabajos de ensamblaje más complejos. Argon utiliza la simulación para acelerar el aprendizaje y la orientación de seguridad mejora junto con los movimientos. Otra clave de esta actualización es la participación de Gemini 4 Argon en la investigación de robots. Puede crear avatares digitales a partir de escenas capturadas por cámaras reales, generar miles de ejercicios de simulación diferentes y combinarlos con demostraciones de operaciones reales para ayudar al modelo a adaptarse a nuevas escenas y objetos. Argon también puede analizar vídeos de operaciones fallidas para ayudar a los investigadores a encontrar razones de fallas e hipótesis de mejora, y luego probarlas en entornos simulados y robots reales. Por lo tanto, la capacitación no tiene que depender únicamente de máquinas físicas para repetir pruebas y errores cada vez, sino que aún conserva demostraciones reales y verificación en el sitio. En términos de seguridad, Gemini Robotics 2.5 añade una guía de razonamiento a la hora de realizar acciones para evitar peligros físicos. El equipo también lanzó la prueba comparativa de código abierto ASIMOV-Jailbreak, que utiliza requisitos inseguros disfrazados de tareas generales para probar la resistencia al jailbreak de agentes relacionados con robots. Gemini Robotics 2.5 está disponible para los socios de robótica. Desde la práctica repetida en un entorno simulado hasta la selección y colocación secuencial de piezas en la línea de producción, esta actualización conecta la velocidad de aprendizaje con las operaciones en el sitio, avanzando hacia usos prácticos que reducen la carga de la preparación repetida del material y mejoran la estabilidad operativa. Historias relacionadas ¡Google muestra 5 implementaciones de Gemini 4 Argon! Crea un juego en 3D con un solo consejo y supera al GPT-6 Astra. Din Tai Fung en Estados Unidos ha comenzado a introducir robots. El restaurante chino más rentable de Estados Unidos recibe a sus empleados cansados ​​en su patio trasero. Visión de la industria robótica: la integración y evolución de la automatización, la inteligencia artificial y la Web3. Ya está a la venta el primer robot doméstico del mundo, "Neo". Puede barrer el suelo y hacer café, pero ¿todavía necesita ayuda humana remota? 〈¡Google lanza Gemini Robotics 2.5! Conduciendo el robot humanoide Apollo 2 a la línea de producción de Mercedes-Benz "La tasa de éxito en la clasificación es del 96%" Este artículo se publicó por primera vez en BlockTempo "Dongqu Trend: el medio de noticias blockchain más influyente".