谷歌发布 Gemini 4 Argon 通用物理推理模型

作者:作者:Daniel Dominguez原标题:谷歌发布用于机器人控制、仿真和策略优化的 Gemini 4 Argon
78AI 研判分

谷歌发布 Gemini 4 Argon,定位为面向机器人控制、Real2Sim 场景构建与策略优化的通用物理推理模型,而非单一末端执行器策略。官方称其在 MuJoCo 孪生环境中引导 Spot 完成脚踏板任务,并通过单张 RGB 照片合成领域随机化场景,使视觉-语言-动作策略在真实环境成功率从 56% 提升至 75%;在 ERQA 基准上纯推理得分 87%。该模型已向 Google AI Ultra 订阅用户及付费 Gemini API 开放,但演示依赖大段任务专用提示词与验证器,且未公布失败率。

报道正文

谷歌发布了 Gemini 4 Argon,并将其定位为一款通用物理推理模型,适用于机器人控制、 Real2Sim 场景构建、机器人视频多模态标注以及迭代策略优化,而非单一的末端执行器策略。

在已发布的提示词中,在 MuJoCo 孪生环境中进行训练后,Argon 引导波士顿动力公司的 Spot 机器人完成了脚踏板任务;利用视觉坐标和 HTTP 运动原语操控比较简单的机械臂;通过 Gemini Omni 视频世界模型实现闭环控制。Real2Sim 示例从遥操作视频重建出 MuJoCo 场景;标注提示则对演示视频进行标注,实现行为克隆。谷歌还报告称,他们从一张 RGB 照片中合成了领域随机化 MuJoCo 场景,借此对视觉-语言-动作策略进行了微调,并且指出,在相应的真实环境中,成功率从 56% 提升到了 75% 。

谷歌报告称,在“具身推理问答(ERQA)”基准测试中,Argon 仅凭纯推理(不借助辅助工具)便取得了 87% 的得分,并表示该结果在这项测试中领先于其他前沿模型。Argon 向 Google AI Ultra 订阅用户开放,也可以通过付费的 Gemini API 获取,其模型 ID 为 gemini-4-argon(详见 Gemini API 模型文档)。该机器人技术博文中使用了针对特定任务的大段提示词、坐标网格、运动原语和验证器,因此辅助结构成了被测系统的一部分,而谷歌只是公布了单个的 VLA 案例,并未公布各项演示的失败率。

早期从业者的反应主要集中在模拟保真度上。Davin YC Dong 在 X 上评论道:

谷歌的 Gemini 4 Argon 机器人演示案例,不仅会从视觉的维度校准仿真孪生体,还会针对真实世界的物理接触事件做专项调优。这正是我会重点检查的部分:一个场景可能看起来很逼真,但其中的物理行为却可能不正确。对于机械操作而言,匹配接触时的实际行为与匹配像素同样重要。

此外,针对这个周流传的关于 Video-to-Sim-to-Real 的说法,名为 pulpmatrix 的开发者呼吁保持信息来源的严谨性:

Video-to-Sim-to-Real 技术是真实存在的,这一点谷歌的开发博客 Gemini 4 Argon for Robotics 已经证实(MuJoCo 孪生模型,ERQA 达 87%)。不过,玉米洞(Cornhole )游戏并未包含在内:既无论文,也无代码库,更无命中率数据,而且实际投掷数据是先用于校准机器人的。

专门的视觉-语言-动作系统,诸如 OpenVLA 类策略、Physical Intelligence 的 π 系列模型以及配套 Isaac 工具链的 NVIDIA GR00T,针对机器人在具身场景下的动作预测进行了优化,通常是依赖于大型遥操作或模拟语料库。场景到模拟(Scene-to-sim)和生成式世界工具、World Labs 风格的重建、NVIDIA DreamDojo 风格的动作视频以及 Isaac Sim 数字孪生,则侧重于环境合成或视频预测,但未必具备谷歌提示词中展示的完整控制与质量控制(QC)闭环。在空间感知和规划领域,谷歌此前的工作,如 Gemini Robotics-ER,始终是一条重要的研究线。从架构评审的角度来说,关键问题在于:一个前沿模型加上复杂的提示词体系,能否取代由 VLA、模拟器和标注服务组成的管道。

声明:本文为 InfoQ 翻译,未经许可禁止转载。

原文链接:https://www.infoq.com/news/2026/11/google-gemini-argon/