Google 发布 Gemini 4 Argon，主打机器人全流程单一模型

凭借 Gemini 4 Argon，谷歌正推广一个用于完整机器人流程的单一模型。该模型控制机器人、构建虚拟练习世界，并评估训练视频。但示例提示揭示了该模型仍需大量人工辅助。

波士顿动力的 Spot 机器人本应将汽水瓶投入踏板式垃圾桶。在它接触真实踏板之前，Gemini 4 Argon 构建了垃圾桶的虚拟副本，机器人则在模拟环境中练习用三条腿保持平衡。只有到那时，它才在真实硬件上尝试该任务。在扔汽水瓶之前，两个额外的 AI 代理验证脚和抓手的位置是否正确.

这就是谷歌展示其 最新机器人任务模型 能力的方式。Argon 被设计为更好地理解空间关系、编写控制代码，以及从物理角度解释视频。谷歌将其视为一个通用工具，涵盖从控制单个机器人到重现已发表研究等所有方面，并称其为迈向“物理 AGI”又迈出了一步——这是谷歌及其 AI 子公司 DeepMind 多年来一直 追求的目标。

一张照片可转化为数千次训练运行

Spot 示例遵循了谷歌许多其他示例中出现的模式：Argon 使用模拟来准备任务、验证任务或生成训练数据。从一张带有派对道具的桌子照片，该模型构建了一个虚拟副本，包括一个柔软的毛绒帽。它提出了 77 项任务，从扶起倾倒的物体到清理桌子，并为控制模型生成了超过 4,500 个训练片段。在真实机器人上测试时，成功率从 56% 提升至 75%，执行时间从 35 秒缩短至 24 秒.

Argon 也能从其他来源工作。从远程操作的机器人录像中，它构建了一个看起来相同并能复制指尖相同力读数的模拟。从一名人类执行抓握任务的第一人称视频中，该模型将手和手指运动映射到一个拥有五指手的虚拟人形上.

甚至圆珠笔素描也可以。一张绘图显示了一个人形机器人用圆珠笔推倒一金字塔形状的箱子，Argon 将其转化为一个计算投掷动作的模拟，该动作能让所有六个箱子倾倒而机器人不会倒下.

Argon 指导 AI 视频模型规划机器人动作

一个示例完全在 AI 生成的视频中展开。 Gemini Omni 是一个视频世界模型，它生成片段显示场景在发生某些变化时的变化，而 Argon 则充当导演。它编写带时间戳的指令，描述手应该做什么，例如将拼字游戏牌滑到桌子的中心。Gemini Omni 根据这些指令生成视频，然后 Argon 检查单个帧并调整下一个命令。目标是将五个散落的字母牌排列成“ARGON”，经过 33 步，它们被排在了正确的顺序。

在另一个使用简单机械臂的演示中，Argon 需要将乐高积木放入木箱，并随着时间的推移提升自身性能。当尝试失败时，提示告诉 Argon 查看自己的日志和摄像头图像，找出原因，并在应用经过验证的修复后重试。第一次运行用了不到一分钟，第二次则快得多，只需 23 秒，尽管积木卡在了箱子边缘。在第三次尝试中，它在大约 17 秒后准确落在了箱子中央。

Google 还希望 Argon 用于研究。给定每篇论文一个提示，它将已发表的机器人实验重新创建为可在浏览器中运行的交互式模拟。Google 表示，到目前为止，已经构建了 68 个这样的沙盒，包括机器人足球和一个在滑板上的人形机器人。

ERQA基准（具身推理问答）测试 AI 模型在 3D 环境中理解和解决物理和空间问题的能力。该测试使用了 400 个问题，没有辅助工具，因此模型必须仅通过推理来解决。根据 Google 的说法，Argon 得分 87%，领先于所有其他前沿模型。亚军 Claude Opus 5.5 达到 82.3%，落后约五个百分点。GPT-6 Astra 排名第三，得分为 81%，而 Claude Fable 5.1 排名第四，得分为 74%，落后 13 个百分点。

一天后发布的来自 Artificial Analysis 的 AA-Robotics 基准则讲述了一个不同的故事。在该测试中，语言模型直接控制一个真实机械臂完成八个任务，Argon 得分为 55 分（满分 100 分），位列第三，落后于 GPT-6 Astra（69 分）和 GPT-6.1 Sol（65 分）。

Argon 还会审查训练数据质量

除了控制机器人和构建模拟之外，Argon 还用于评估训练数据。在一个超过两分钟的视频中展示了一个双臂机器人折叠一个 origami 狐狸，该模型将序列分解为子步骤，并标记暂停和错误的抓握。这些片段在训练过程中会被赋予较低的权重。在另一个视频中展示了一个人类正在整理戒指，Argon 追踪了任务的进展、停滞或倒退。

Google 还展示了一个围绕 经典称重谜题 构建的可玩用例。在十二个看起来相同的球中，有一个比其他球重或轻。Argon 构建了一个带有两个机械臂和天平的模拟，仅通过从摄像头图像中读取天平的倾斜度。它在三次称重或更少的次数内找到了那个奇特的球。

真正的脚手架存在于提示中

谷歌发布了针对演示的详细示例提示，并将一些更大的声明置于现实背景中。对于纠正倒置的杯子，被描述为“零样本”，Argon 接收一个带有厘米网格覆盖的相机图像和预构建的命令，如“抓取”或“降低直到接触”。对于模拟，有长久的禁止列表来防止模型走捷径，比如简单地复制测量的传感器值。谷歌没有在博客文章中分享单个演示的失败率，而 75% 的成功率没有任何提及它是基于多少总尝试次数。

Argon 现在可在 谷歌 AI 工作室 和开发环境 Antigravity 中获得，但仅限 谷歌 AI Ultra 订阅者使用。开发者还可以通过 Gemini API 的付费层访问该模型。

几天前，谷歌已在全球发布了 Gemini 4 Argon。对于机器人技术，该公司已推出了 Gemini Robotics-ER 1.6，这是一个用于空间感知和任务规划的模式。虚拟环境中的训练也不是新的：初创公司 World Labs 展示了如何将真实场景转化为虚拟训练世界，而 Nvidia 的 DreamDojo 将机器人动作模拟为视频。谷歌的方法与众不同之处在于，它雄心勃勃地试图用同一个模型来处理 模拟、控制和评估。

AI 新闻无浮夸 – 由人类策划

订阅 THE DECODER 以获得无广告阅读、每周 AI 新闻简报、我们独有的“AI 雷达”前沿报告每年六次、完整档案访问以及访问我们的评论部分。