精华速览

谷歌推出 Gemini 4 Argon,定位为通用物理推理模型,覆盖机器人控制、Real2Sim 场景构建、视频多模态标注和迭代策略优化,而非单一末端执行器策略。已披露案例包括在 MuJoCo 孪生环境中训练后引导波士顿动力 Spot 完成脚踏板任务、用视觉坐标和 HTTP 运动原语操控简单机械臂,以及通过 Gemini Omni 视频世界模型实现闭环控制。谷歌称从单张 RGB 照片合成领域随机化 MuJoCo 场景并微调视觉-语言-动作策略后,真实环境成功率由 56% 提升至 75%;在 ERQA 基准上纯推理得分 87%。模型向 Google AI Ultra 订阅用户开放,也可通过付费 Gemini API 调用。

要点透视

  • Gemini 4 Argon 被谷歌定位为通用物理推理模型,应用范围包括机器人控制、Real2Sim 场景构建、机器人视频多模态标注和迭代策略优化,而非单一末端执行器策略。
  • 在已发布提示词案例中,Argon 在 MuJoCo 孪生环境训练后引导波士顿动力 Spot 机器人完成脚踏板任务,并利用视觉坐标和 HTTP 运动原语操控较简单的机械臂。
  • 谷歌报告称,从一张 RGB 照片合成领域随机化 MuJoCo 场景并微调视觉-语言-动作策略后,相应真实环境成功率从 56% 提升到 75%。
  • 在具身推理问答基准 ERQA 上,Argon 不借助辅助工具取得 87% 得分,谷歌称该结果领先其他前沿模型。
  • Argon 向 Google AI Ultra 订阅用户开放,也可通过付费 Gemini API 获取,模型 ID 为 gemini-4-argon。
  • 谷歌公布的机器人技术博文使用大段任务提示词、坐标网格、运动原语和验证器,辅助结构构成被测系统的一部分;谷歌只公布单个 VLA 案例,未公布各演示的失败率。
  • 早期从业者关注模拟保真度。Davin YC Dong 在 X 上指出,场景视觉逼真不等于物理行为正确,机械操作中接触时的实际行为与像素匹配同样重要。
  • 开发者 pulpmatrix 澄清,Video-to-Sim-to-Real 在谷歌开发博客中确有体现,但流传的玉米洞游戏案例既无论文、代码库,也无命中率数据,实际投掷数据先用于校准机器人。

文章拆解

从素材看,谷歌此次发布的重点不是再做一个专用机器人策略模型,而是把前沿模型的物理推理能力包装成可复用的控制与仿真接口。Argon 的案例横跨 Spot 机器人任务、简单机械臂操控、Real2Sim 场景重建和视频标注,说明谷歌试图用同一模型覆盖机器人数据生产、策略训练和闭环控制多个环节。这与 OpenVLA 类策略、Physical Intelligence 的 π 系列以及 NVIDIA GR00T 等专注动作预测的 VLA 系统形成路径差异:后者通常依赖大型遥操作或模拟语料库,而 Argon 更强调用提示词体系调用模型能力。

核心逻辑在于用生成式模型降低仿真环境和训练数据的构建成本。素材中,从单张 RGB 照片合成领域随机化 MuJoCo 场景,并将微调后的策略成功率从 56% 提升到 75%,是较有说服力的量化信号;ERQA 纯推理 87% 的得分则试图证明模型具备不依赖外部工具的具身推理能力。但这两项数据均来自谷歌自报,缺少第三方复现,实际泛化能力尚待确认。

对行业和用户而言,Argon 的订阅与 API 开放方式意味着机器人团队可以较低门槛调用前沿模型能力,但博文中大量任务专用提示词、坐标网格和验证器表明,系统效果高度依赖人工设计的辅助结构。谷歌只公布单个 VLA 案例且未披露失败率,这会削弱对稳定性的判断。从业者关于模拟保真度的讨论也指向关键变量:视觉逼真与接触物理正确之间的差距,可能直接影响 Real2Sim 迁移效果。

值得关注的变量包括 Argon 在更多机器人本体和任务上的复现结果、失败率与安全边界、API 调用成本,以及它能否替代由 VLA、模拟器和标注服务组成的传统管道。潜在风险在于,若辅助提示结构过重,所谓通用物理推理可能退化为针对演示任务的工程调优;同时,围绕 Video-to-Sim-to-Real 的传播已出现夸大案例,信息来源的严谨性仍需警惕。

查看原文