Google Mengirimkan Gemini Robotics ER 2 Dengan Kerja Sama Multi-Robot

Google telah meluncurkan Gemini Robotics ER 2, sebuah model reasoning yang dibangun untuk berfungsi sebagai perencana tingkat tinggi bagi robot, sementara model lain menangani motor. Ini tersedia bagi pengembang melalui Gemini API dan Google AI Studio, dengan akses pratinjau pribadi di Platform Agen Perusahaan Gemini.

ER 2 menerima video, gambar, audio, dan teks, melakukan reasoning tentang adegan, merencanakan tugas yang berjalan beberapa menit, kemudian memanggil sesuatu untuk memindahkan perangkat keras: model visi-bahasa-aksi, API navigasi, atau fungsi yang dideklarasikan oleh pengembang sebagai alat. Ini juga dapat memanggil Google Search di tengah tugas. Kartu model menjelaskannya sebagai model visi-bahasa berdasarkan Gemini 3.5 Flash, dengan jendela konteks 128.000 token dan hingga 64.000 token output.

Ini menggantikan Gemini Robotics-ER 1.6, yang dirilis pada 14 April 2026, yang menambahkan kemampuan membaca instrumen (menafsirkan pengukur tekanan atau kaca pengamatan kimia), kemampuan yang dikembangkan Google dengan Boston Dynamics untuk inspeksi fasilitas. ER 2 memperluas kemampuan tersebut ke layar digital, skala linier, penggaris, dan termometer cair, diuji melintasi 10 jenis instrumen.

Apa yang Ditambahkan oleh Video Kontinu

Perubahan substansial adalah bahwa ER 2 melakukan reasoning atas umpan video langsung daripada bingkai statis, yang memungkinkannya untuk menilai apakah sebuah langkah selesai.

Dua kemampuan muncul dari hal tersebut. Klasifikasi kemajuan meminta model untuk mengelompokkan setiap bingkai dari umpan menjadi salah satu dari lima pita penyelesaian, dari 0-20% hingga 80-100%; Google melaporkan akurasi 57,4%. Pencarian momen meminta model untuk menentukan bingkai tepat di mana sebuah peristiwa kritis terjadi, seperti titik di mana sebuah cangkir cukup penuh untuk berhenti menuang. Perusahaan melaporkan akurasi 91,3% pada tugas tersebut dengan rata-rata kesalahan 0,96 detik, dan mengatakan model tersebut menyampaikan hasilnya sekitar empat kali kecepatan eksekusi model yang lebih besar dengan sebagian kecil dari komputasi.

Waktu sub-detik adalah bagian yang penting pada mesin nyata. Sebuah robot yang dapat mengetahui bahwa sebuah langkah selesai 60% atau gagal sepenuhnya dapat mencoba langkah tersebut lagi daripada memulai kembali alur kerja atau menunggu operator. ER 2 mengalir melalui endpoint bidireksional Gemini Live API, yang merupakan cara Google menjaga loop reasoning dari menyisipkan jeda antara aksi. Mendapatkan latensi inferensi yang cukup rendah untuk kontrol fisik adalah konstrain yang sama yang mendorong vendor robotika untuk menggunakan silikon khusus pada robot dan model waktu nyata satu-GPU.

Dua Robot, Satu Pekerjaan

Kemampuan baru lainnya adalah kolaborasi multi-robot: mesin yang berbeda berbagi pemahaman semantik tentang tugas dan menyerahkan pekerjaan di antara mereka, dengan alasan bahwa basis roda dan sepasang kaki cocok untuk bagian yang berbeda dari pekerjaan yang sama. Demonstrasi DeepMind memasangkan Apptronik’s Apollo 2 humanoid dengan platform bi-arm Franka Duo. Demo kedua memiliki ER 2 yang mengemudi API navigasi dan manipulator di Spot Boston Dynamics untuk mengambil objek berdasarkan perintah suara.

Semua itu berjalan pada perangkat keras yang tidak dibangun oleh Google, yang merupakan cara kerja mayoritas pasar ini sekarang: model berasal dari laboratorium pionir dan lengan, kaki, dan gripper berasal dari mitra, pemisahan yang sama di balik pembuat cobot yang mengincar pengembang model dasar dan tumpukan embodied tingkat platform.

ER 2 tiba sebagai bagian dari keluarga model tiga. Pos penelitian pendamping dari tim Gemini Robotics mencakup Gemini Robotics 2, model aksi yang mengontrol humanoid penuh dari kaki hingga ujung jari, dan Gemini Robotics On-Device 2, yang berjalan secara lokal dan beradaptasi dengan robot bi-arm baru dalam beberapa jam dari kurang dari 200 contoh. Keduanya pergi ke mitra akses awal daripada API terbuka.

Tim juga menerbitkan tingkat keberhasilan di balik model aksi tersebut, yang mengemudi tiga tubuh robot yang berbeda dari satu titik periksa. Apollo 2 yang dilengkapi dengan tangan Inspire memilih objek dari rak 76,3% dari waktu, dari meja 68,4%, dan dari lantai 45,7%. Pekerjaan jari lima dengan tangan SharpaWave 22 derajat kebebasan lebih jauh: 92% untuk melepas sekrup bohlam, 36% untuk memasang sekrup, 44% untuk mengikat kantong sampah. DeepMind menjelaskan manipulasi dexterous multi-jari masih menantang, yang menetapkan penanda yang berguna bagi siapa saja yang menilai klaim kemampuan humanoid.

Batas Keamanan dan Penerapan Pertama

Google melaporkan keuntungan pada instruksi keamanan dan benchmark jarak manusia, dan mengatakan ER 2 menghentikan humanoid ketika seseorang mendekat, kemudian melanjutkan sendiri setelah area tersebut bersih. DeepMind menyebut berhenti untuk manusia terdekat sebagai persyaratan kunci dalam standar keamanan kolaboratif, dan ini biasanya dipenuhi dalam perangkat keras daripada model perencanaan: desain Apollo 2 sendiri menghentikan gerakan ketika sebuah objek memasuki radius dampak yang ditentukan.

DeepMind juga merilis ASIMOV-Agentic, sebuah benchmark untuk mengetahui apakah model reasoning berperilaku dengan aman sebagai pengarah: menolak panggilan alat yang tidak aman dari model aksi, menilai apakah tugas tersebut secara fisik memungkinkan, dan meminta bantuan manusia ketika tidak yakin.

Kartu model menggambar batas penerapan yang jelas. Google memberitahu pengembang untuk tidak menggunakan model robotika untuk pekerjaan kritis keamanan, menamai perawatan kesehatan dan transportasi, atau di mana kegagalan dapat menyebabkan kematian, cedera, atau kerusakan properti. Bahasa tersebut menunjuk gelombang penerapan pertama ke inspeksi, penanganan gudang, dan tugas laboratorium.

Bagi pembangun robot, ER 2 adalah lapisan yang tersedia untuk dipanggil dari Gemini API tanpa kemitraan, ditujukan untuk tim yang sudah memiliki perangkat keras yang berfungsi dan membutuhkan sesuatu untuk menentukan apa yang dilakukan selanjutnya.