O Google Lança Gemini Robotics ER 2 Com Trabalho em Equipe de Múltiplos Robôs

O Google lançou o Gemini Robotics ER 2, um modelo de raciocínio incorporado projetado para servir como planejador de alto nível para um robô, enquanto um modelo separado lida com os motores. Ele está disponível para desenvolvedores por meio da API Gemini e do Google AI Studio, com acesso à pré-visualização privada na Plataforma de Agente Empresarial Gemini.

ER 2 recebe vídeo, imagens, áudio e texto, raciocina sobre a cena, planeja uma tarefa que dura vários minutos e, em seguida, chama algo mais para mover o hardware: um modelo de visão-linguagem-ação, uma API de navegação ou uma função própria do desenvolvedor declarada ao modelo como uma ferramenta. Ele também pode chamar o Google Search no meio de uma tarefa. O cartão do modelo descreve-o como um modelo de visão-linguagem baseado no Gemini 3.5 Flash, com uma janela de contexto de 128.000 tokens e até 64.000 tokens de saída.

Ele sucede o Gemini Robotics-ER 1.6, lançado em 14 de abril de 2026, que adicionou a leitura de instrumentos (interpretando um manômetro de pressão ou um visor de vidro químico), uma capacidade que o Google desenvolveu com a Boston Dynamics para rondas de inspeção de instalações. ER 2 estende isso para displays digitais, escalas lineares, réguas e termômetros de líquido, testados em 10 tipos de instrumentos.

O que o vídeo contínuo adiciona

A mudança substantiva é que ER 2 raciocina sobre uma feed de vídeo ao vivo, em vez de quadros estáticos, o que permite que ele julgue algo que tem limitado silenciosamente a autonomia dos robôs: se uma etapa está concluída.

Dois recursos surgem disso. A classificação de progresso pede ao modelo que classifique cada quadro de uma feed em uma das cinco bandas de conclusão, de 0-20% a 80-100%; o Google relata 57,4% de precisão. A busca por momento pede que ele localize o quadro exato em que um evento crítico ocorre, como o ponto em que um copo está cheio o suficiente para parar de despejar. A empresa relata 91,3% de precisão nessa tarefa com um erro médio de 0,96 segundos e afirma que o modelo entrega isso a uma velocidade de execução aproximadamente quatro vezes maior do que modelos muito maiores por uma fração do cálculo.

O tempo de subsegundo é a parte que importa em uma máquina real. Um robô que pode dizer que uma etapa está 60% concluída ou falhou completamente pode tentar novamente essa etapa em vez de reiniciar o fluxo de trabalho ou esperar por um operador. ER 2 transmite por meio do endpoint bidirecional da API Gemini Live, que é como o Google mantém o loop de raciocínio longe de pausas de parar-e-pensar entre ações. Obter a latência de inferência baixa o suficiente para o controle físico é a mesma restrição que impulsiona os fornecedores de robótica em direção a silício dedicado no robô e modelos em tempo real de uma GPU.

Dois robôs, um trabalho

A outra nova capacidade é a colaboração entre robôs: diferentes máquinas compartilhando uma compreensão semântica de uma tarefa e passando o trabalho entre elas, com base no raciocínio de que uma base com rodas e um par de pernas são adequados para diferentes partes do mesmo trabalho. A demonstração da DeepMind combina o Apptronik’s Apollo 2 humanoid com uma plataforma bi-braço Franka Duo. Uma segunda demonstração tem ER 2 dirigindo as APIs de navegação e manipulador na Spot da Boston Dynamics para buscar um objeto em um comando falado.

Tudo isso funciona em hardware que o Google não constrói, que é como a maior parte desse mercado agora funciona: o modelo vem de um laboratório de fronteira e os braços, pernas e garras vêm de parceiros, a mesma divisão por trás de fabricantes de cobots que cortejam desenvolvedores de modelos de fundação e pilhas de IA incorporada de nível de plataforma.

ER 2 chegou como parte de uma família de três modelos. O post de pesquisa companheiro da equipe Gemini Robotics aborda o Gemini Robotics 2, um modelo de ação que controla humanóides completos, desde os pés até as pontas dos dedos, e o Gemini Robotics On-Device 2, que executa localmente e se adapta a um novo robô bi-braço em algumas horas a partir de menos de 200 exemplos. Ambos vão para parceiros de acesso antecipado em vez da API aberta.

A equipe também publicou as taxas de sucesso por trás daquele modelo de ação, que impulsionou três corpos de robô diferentes a partir de um único checkpoint. O Apollo 2 equipado com mãos Inspire pegou objetos de uma prateleira 76,3% do tempo, de uma mesa 68,4% e do chão 45,7%. O trabalho de cinco dedos com a mão SharpaWave de 22 graus de liberdade está mais atrasado: 92% para desparafusar uma lâmpada, 36% para aparafusar uma, 44% para amarrar um saco de lixo. A DeepMind descreve a manipulação dexterosa de múltiplos dedos como ainda desafiadora, o que estabelece um marcador útil para qualquer um que esteja avaliando alegações de capacidade humanoides.

Limites de segurança e primeiros implantes

O Google relata ganhos nos benchmarks de segurança e proximidade humana e afirma que ER 2 para um humanoid quando uma pessoa se aproxima, então retoma sozinho assim que a área está limpa. A DeepMind chama de parar por um humano próximo de um requisito-chave nos padrões de segurança colaborativa e é um requisito normalmente atendido no hardware em vez do modelo de planejamento: o próprio design do Apollo 2 pausa o movimento quando um objeto entra em seu raio de impacto definido.

A DeepMind também lançou o ASIMOV-Agentic, um benchmark para se um modelo de raciocínio se comporta de forma segura como um orquestrador: recusando chamadas de ferramentas inseguras do modelo de ação, julgando se uma tarefa é fisicamente viável e pedindo ajuda a um humano quando está incerto.

O cartão do modelo desenha uma fronteira de implantação firme. O Google diz aos desenvolvedores para não usarem os modelos de robótica para trabalhos críticos de segurança, nomeando saúde e transporte, ou em qualquer lugar onde uma falha poderia preverivelmente causar morte, lesão ou dano à propriedade. Essa linguagem aponta a primeira onda de implantações para inspeção, manipulação de armazém e tarefas de laboratório.

Para os construtores de robôs, ER 2 é a camada disponível para chamar da API Gemini sem parceria, destinada a equipes que já têm hardware funcionando e precisam de algo para decidir o que fazer em seguida.