Humanoides Apollo 2 alcançam 96% em prova de conceito de separação de peças na Mercedes-Benz

O Google DeepMind apresentou o Gemini Robotics 2.5 em 10 de novembro de 2026 e informou uma taxa de sucesso de 96% na separação de peças automotivas por robôs humanoides Apollo 2 da Apptronik, em uma prova de conceito realizada em linhas de produção ativas da Mercedes-Benz.

O Gemini Robotics 2.5 é um modelo de visão, linguagem e ação (VLA), que conecta a compreensão visual e linguística às ações do robô. O DeepMind está disponibilizando o modelo a parceiros de robótica. A página oficial do modelo descreve o controle de braços robóticos de bancada a corpos humanoides completos, incluindo equilíbrio dinâmico para dar passos, agachar-se e inclinar-se, e oferece uma lista de espera para acesso antecipado.

Apollo 2 realiza preparação de kits automotivos

O trabalho na fábrica ocorreu nas unidades da Mercedes-Benz em Kecskemét, na Hungria, e Sindelfingen, na Alemanha. O DeepMind, a Apptronik e a montadora operaram o Apollo 2 em linhas de produção ativas. Na prova de conceito, o humanoide separou peças de forma autônoma, retirando-as de contêineres a granel e colocando-as em bandejas na sequência exata exigida para cada veículo.

Dois modelos dividiram o fluxo de trabalho. O Gemini Robotics ER acompanhou o progresso, enquanto o Gemini Robotics 2.5 movimentou as mãos e os braços do humanoide para retirar suportes metálicos automotivos dos contêineres de abastecimento, colocá-los em recipientes de sequenciamento e corrigir eventuais lacunas. A configuração testada do Apollo 2 usava uma mão SharpaWave de cinco dedos, com 22 graus de liberdade. O DeepMind apresenta a transferência dessa preparação repetitiva para o robô como uma forma de manter as linhas de montagem em movimento enquanto os técnicos se concentram em tarefas complexas de montagem.

O cofundador e CEO da Apptronik, Jeff Cardenas, afirmou:

“Ao combinar o Apollo 2 com o Gemini Robotics, vimos os modelos melhorarem drasticamente em apenas algumas semanas de pós-treinamento e serem transferidos para a produção da Mercedes-Benz com uma perda de desempenho muito pequena.”

Avanços em destreza e avaliação de segurança

Além do trabalho na fábrica, a bateria de avaliações abrangeu mais de 200 tarefas distintas, incluindo servir comida com pegadores, dar um laço em uma caixa de presente e pipetar líquidos. As tarefas combinavam uso avançado de ferramentas, manipulação complexa de objetos deformáveis e manuseio cuidadoso de itens delicados. Segundo o DeepMind, dependendo do tipo de tarefa, o modelo obteve taxas de sucesso de 30% a 100% superiores às dos modelos de referência anteriores e concluiu as tarefas de 20% a 30% mais rápido.

Para garantir a segurança física, o modelo usa orientação de raciocínio durante a inferência para desviar de perigos em tempo real. Nas avaliações do DeepMind, a conclusão segura de tarefas melhorou 33% na presença de obstáculos e 43% perto de pessoas. O lançamento também aborda tarefas agênticas de longo horizonte, nas quais a segurança precisa ser mantida ao longo de várias etapas.

O DeepMind também lançou o ASIMOV-Jailbreak, um benchmark de código aberto cujos prompts disfarçam solicitações inseguras em dezenas de cenários. Segundo o DeepMind, o Gemini 4 Argon alcançou 99,5% de resistência a tentativas de jailbreak, em comparação com 82% do modelo de referência anterior, o Gemini Robotics ER 2. O repositório disponibiliza código e dados de avaliação sob uma licença MIT.

Sua avaliação adversarial V3 de múltiplos turnos contém 845 amostras distribuídas por 15 grupos de estratégias e permite até 10 etapas. Ela combina verificações determinísticas de chamadas de ferramentas de ação com um modelo de linguagem grande que atua como avaliador. Tarefas pareadas de manipulação de objetos sobre uma mesa, umas nocivas e outras benignas, permitem que a estrutura de avaliação meça tanto o sucesso dos ataques quanto a recusa excessiva de solicitações benignas, testando se um modelo recusa instruções inseguras sem também rejeitar tarefas seguras.

Treinamento por simulação com Gemini 4 Argon

O DeepMind atribui ao Gemini 4 Argon a aceleração do desenvolvimento do Gemini Robotics 2.5 por meio de simulações. O Argon consegue gerar milhares de execuções de treinamento variadas a partir de uma cena do mundo real captada por uma câmera e criar um gêmeo digital realista. Combinadas com demonstrações reais de treinamento, essas execuções ajudam os robôs a generalizar mais rapidamente para novas cenas e objetos. Os pesquisadores também podem usar o Argon para propor explicações para falhas em tarefas com base em vídeos e testar melhorias em simulações e em robôs físicos.

Uma publicação para desenvolvedores de 13 de outubro de 2026 documenta essa abordagem em um experimento separado. Ele começou com uma única fotografia colorida de uma mesa real, que o Argon reconstruiu como uma simulação de física calibrada no MuJoCo antes de gerar mais de 4.500 episódios de treinamento com condições aleatórias. O Google informou que a taxa de sucesso resultante em robôs reais subiu de 56% para 75%, enquanto o tempo de conclusão caiu de 35 segundos para 24 segundos.

Esse experimento anterior não é um benchmark do Gemini Robotics 2.5, mas ilustra o ciclo de desenvolvimento por trás do lançamento. Para a robótica industrial, o anúncio reúne geração de dados simulados, controle de hardware e testes de segurança adversariais em um único fluxo de trabalho. A questão em aberto é até que ponto esse fluxo se transfere de forma consistente para outros robôs e locais de trabalho, além da tarefa de preparação de kits demonstrada.