Roboții umanoizi Apollo 2 ating o rată de succes de 96% într-o demonstrație de sortare pentru Mercedes-Benz

Google DeepMind a prezentat Gemini Robotics 2.5 pe 10 noiembrie 2026, raportând o rată de succes de 96% în sortarea pieselor auto de către roboții umanoizi Apollo 2 de la Apptronik, într-o demonstrație de tip dovadă de concept desfășurată pe liniile de producție Mercedes-Benz aflate în funcțiune.

Gemini Robotics 2.5 este un model de tip viziune-limbaj-acțiune (VLA), care conectează înțelegerea vizuală și lingvistică la acțiunile robotului. DeepMind îl pune la dispoziția partenerilor din domeniul roboticii. Pagina oficială a modelului descrie controlul unor sisteme de la brațe robotice de masă până la corpuri umanoide complete, inclusiv menținerea echilibrului dinamic în timpul pășirii, ghemuirii și aplecării, și oferă înscrierea pe o listă de așteptare pentru acces anticipat.

Apollo 2 pregătește seturi de piese auto

Activitatea din fabrică s-a desfășurat la uzinele Mercedes-Benz din Kecskemét, Ungaria, și Sindelfingen, Germania, unde DeepMind, Apptronik și producătorul auto au operat roboții Apollo 2 pe linii de producție aflate în funcțiune. În demonstrația de tip dovadă de concept, robotul umanoid a sortat autonom piesele din containere vrac în tăvi, aranjându-le în ordinea exactă necesară pentru fiecare vehicul.

Două modele au împărțit fluxul de lucru. Gemini Robotics ER a urmărit progresul, în timp ce Gemini Robotics 2.5 a mișcat mâinile și brațele robotului umanoid pentru a ridica suporturi metalice pentru automobile din containerele de aprovizionare, a le așeza în containere de secvențiere și a corecta eventualele goluri. Configurația Apollo 2 testată a folosit o mână SharpaWave cu cinci degete și 22 de grade de libertate. DeepMind prezintă preluarea acestei activități repetitive de pregătire drept o modalitate de a menține liniile de asamblare în funcțiune, lăsând tehnicienii să se concentreze asupra sarcinilor complexe de asamblare.

Jeff Cardenas, cofondator și director general al Apptronik, a declarat:

„Asociind Apollo 2 cu Gemini Robotics, am văzut cum modelele s-au îmbunătățit considerabil în doar câteva săptămâni de antrenare suplimentară și au fost transferate în producția Mercedes-Benz cu o scădere foarte mică a performanței.”

Progrese în dexteritate și evaluarea siguranței

Dincolo de activitatea din fabrică, suita de evaluare a cuprins peste 200 de sarcini distincte, printre care servirea mâncării cu clești, legarea unei funde pe o cutie-cadou și pipetarea unui lichid. Sarcinile au combinat utilizarea avansată a uneltelor, manipularea complexă a obiectelor deformabile și manevrarea atentă a obiectelor delicate. Potrivit DeepMind, în funcție de tipul sarcinii, modelul a obținut rate de succes cu 30% până la 100% mai mari decât modelele de referință anterioare și a îndeplinit sarcinile cu 20% până la 30% mai repede.

Pentru siguranța fizică, modelul folosește ghidare bazată pe raționament în timpul inferenței, pentru a evita pericolele în timp real. În evaluările DeepMind, rata de îndeplinire în siguranță a sarcinilor a crescut cu 33% în prezența obstacolelor și cu 43% în apropierea oamenilor. Lansarea abordează și sarcinile agentice cu orizont lung, în care siguranța trebuie menținută pe parcursul mai multor pași.

DeepMind a lansat și ASIMOV-Jailbreak, un set de evaluare open-source ale cărui instrucțiuni maschează solicitări nesigure în zeci de scenarii. Potrivit DeepMind, Gemini 4 Argon a obținut o rezistență la jailbreak de 99,5%, față de 82% pentru modelul de referință anterior Gemini Robotics ER 2. Depozitul include codul și datele de evaluare, distribuite sub licența MIT.

Evaluarea adversarială V3 cu mai multe interacțiuni conține 845 de exemple, repartizate în 15 grupuri de strategii, și permite până la 10 pași. Aceasta combină verificări deterministe ale apelurilor către instrumentele de acțiune cu evaluarea realizată de un model lingvistic de mari dimensiuni. Sarcinile asociate de manipulare a obiectelor de pe masă, unele dăunătoare și altele benigne, permit sistemului de evaluare să măsoare atât rata de succes a atacurilor, cât și refuzul excesiv al solicitărilor benigne, verificând dacă un model respinge instrucțiunile nesigure fără să refuze și activitățile sigure.

Antrenare prin simulare cu Gemini 4 Argon

DeepMind atribuie lui Gemini 4 Argon accelerarea dezvoltării Gemini Robotics 2.5 prin simulare. Argon poate genera mii de sesiuni de antrenament variate pornind de la o imagine a unei scene reale surprinse de o cameră și poate crea un geamăn digital realist. Împreună cu demonstrațiile de antrenare din lumea reală, aceste sesiuni îi ajută pe roboți să se adapteze mai repede la scene și obiecte noi. Cercetătorii pot folosi Argon și pentru a propune explicații ale eșecurilor în îndeplinirea sarcinilor, pe baza înregistrărilor video, și pentru a testa îmbunătățiri în simulare și pe roboți fizici.

O postare pentru dezvoltatori din 13 octombrie 2026 documentează această abordare într-un experiment separat. Acesta a pornit de la o singură fotografie color a unei mese reale, pe care Argon a reconstruit-o sub forma unei simulări fizice MuJoCo calibrate, înainte de a genera peste 4.500 de episoade de antrenare în condiții randomizate. Google a raportat că rata de succes obținută de robotul real a crescut de la 56% la 75%, iar timpul de finalizare a scăzut de la 35 de secunde la 24 de secunde.

Experimentul anterior nu este un test comparativ pentru Gemini Robotics 2.5, dar ilustrează ciclul de dezvoltare din spatele lansării. În domeniul roboticii industriale, anunțul reunește într-un singur flux de lucru generarea de date simulate, controlul hardware-ului și testarea adversarială a siguranței. Rămâne de văzut cât de consecvent poate fi transferat acest flux de lucru, dincolo de sarcina demonstrată de pregătire a seturilor de piese, la alți roboți și în alte medii de lucru.