Google хочет, чтобы роботам хватало одной модели ИИ — Gemini 4 Argon

В одной из дем Google робот Spot от Boston Dynamics должен сбросить банки из-под газировки в мусорное ведро с педалью. Сначала Gemini 4 Argon создаёт виртуальную копию ведра, где Spot учится балансировать на трёх ногах. Затем робот выполняет задачу на настоящем оборудовании. Перед тем как выбросить банку, два дополнительных ИИ-агента проверяют положение ноги и захвата.

Так Google показывает возможности своей новой модели для робототехники. Argon должна лучше понимать пространственные отношения, писать код управления и интерпретировать видео с учётом физики. Google рассматривает её как универсальный инструмент: от управления отдельными роботами до воссоздания опубликованных исследований. Компания называет Argon ещё одним шагом к «физическому общему искусственному интеллекту» — цели, к которой Google и её ИИ-подразделение DeepMind идут уже несколько лет.

Одно фото превращается в тысячи тренировочных запусков

Демо со Spot показывает общий принцип многих примеров Google: Argon использует симуляции, чтобы подготовить задачи, проверить их или создать обучающие данные. По одной фотографии стола с праздничным реквизитом модель построила виртуальную копию, включая мягкую плюшевую шапку. Затем она придумала 77 задач — от постановки упавших предметов на место до уборки стола — и сгенерировала для модели управления более 4 500 тренировочных эпизодов. На настоящем роботе доля успешных попыток выросла с 56 до 75 процентов, а время выполнения сократилось с 35 до 24 секунд.

Argon может использовать и другие исходные материалы. По записи телеуправляемого робота модель строит похожую симуляцию, стараясь воспроизвести те же показатели силы на кончиках пальцев. А по видео от первого лица, где человек выполняет задачу захвата, Argon переносит движения кисти и пальцев на виртуального гуманоидного робота с пятиконечными руками.

Подходит даже набросок шариковой ручкой. На рисунке гуманоидный робот сбивает мячом пирамиду из коробок. Argon превращает рисунок в симуляцию и рассчитывает бросок так, чтобы опрокинуть все шесть коробок, не потеряв равновесие.

По простому эскизу от руки Argon строит симуляцию, в которой робот-гуманоид одним броском сбивает все шесть коробок, сохраняя равновесие

Источник: the-decoder.com

По одной фотографии Argon генерирует более 4 500 разнообразных эпизодов симуляции, повышая вероятность успеха реального робота с 56 до 75 процентов

Argon шаг за шагом направляет видеомодель мира Gemini Omni, пока руки робота не расставят буквы так, чтобы получилось ARGON

Источник: the-decoder.com

Источник: the-decoder.com

За три итерации Argon сокращает время выполнения задачи роботизированной рукой с 58,9 до 17,4 секунды и с последней попытки попадает в центр коробки

Источник: the-decoder.com

Argon задаёт действия роботу через видеомодель

В одном из примеров всё происходит внутри видео, созданного ИИ. Gemini Omni — видеомодель мира, которая генерирует ролики о том, как меняется сцена после какого-либо действия. Argon выступает режиссёром: пишет инструкции с временными отметками о том, что должны делать руки, например передвинуть плитку для скрэббла в центр стола. Gemini Omni создаёт видео по этим указаниям, а Argon проверяет отдельные кадры и корректирует следующую команду. Цель — расположить пять разбросанных буквенных плиток так, чтобы получилось слово «ARGON». После 33 шагов плитки оказываются в нужном порядке.

В отдельном демо с простой роботизированной рукой Argon нужно было положить деталь Lego в деревянную коробку и постепенно улучшать результат. Если попытка не удавалась, промт предписывал модели проверить собственные журналы и изображения с камер, найти причину и повторить попытку после проверенного исправления. Первый запуск занял чуть меньше минуты, второй прошёл быстрее — за 23 секунды, хотя деталь задела край коробки. В третьей попытке она легла точно в центр примерно за 17 секунд.

Google также хочет использовать Argon в исследованиях. Получив один промт на каждую научную работу, модель воссоздаёт опубликованные эксперименты по робототехнике в виде интерактивных симуляций, работающих в браузере. По данным Google, уже создано 68 таких сред, в том числе для робофутбола и гуманоидного робота на скейтборде.

Бенчмарк ERQA (Embodied рассуждение Question Answering) проверяет, насколько хорошо модели понимают физические и пространственные задачи в трёхмерной среде и справляются с ними. В тесте было 400 вопросов, а вспомогательные инструменты использовать запрещалось: модели должны были решать задачи только рассуждением. По данным Google, Argon набрала 87 процентов — больше остальных передовых моделей. На втором месте Claude Opus 5.5 с результатом 82,3 процента, примерно на пять процентных пунктов ниже. Далее идут GPT-6 Astra с 81 процентом и Claude Fable 5.1 с 74 процентами — на 13 пунктов меньше, чем у Argon.

По данным Google, в тесте ERQA на пространственное и физическое мышление Gemini 4 Argon опережает Claude Opus 5.5 примерно на пять процентных пунктов

Источник: the-decoder.com

Бенчмарк AA-Robotics от Artificial Analysis, опубликованный на следующий день, дал другую картину. В нём языковые модели напрямую управляли настоящей роботизированной рукой в восьми задачах. Argon заняла третье место с результатом 55 из 100 баллов, уступив GPT-6 Astra с 69 баллами и GPT-6.1 Sol с 65.

Argon оценивает качество обучающих данных

Помимо управления роботами и создания симуляций, Argon должна оценивать обучающие данные. В видео длительностью чуть больше двух минут робот с двумя манипуляторами складывает оригами-лису. Модель разбивает процесс на этапы и отмечает паузы и неудачные захваты. Во время обучения такие фрагменты получают меньший вес. В другом видео человек сортирует кольца, а Argon определяет, где работа продвигается, останавливается или идёт вспять.

Google показала и более игровой пример — классическую задачу с весами. Среди двенадцати одинаковых на вид шаров один тяжелее или легче остальных. Argon создала симуляцию с двумя роботизированными руками и весами, определяя наклон чаши только по изображениям с камеры. Необычный шар она находит не более чем за три взвешивания.

Сколько помощи Argon нужно от человека

Google опубликовала подробные примеры промтов для демо, и по ним видно, сколько инструкций нужно модели. Чтобы перевернуть опрокинутую чашку — эту задачу компания описывает как решение «с нуля» — Argon получает изображение с камеры с наложенной сантиметровой сеткой и заранее заданные команды вроде «схватить» или «опускать до контакта». Для симуляций предусмотрены длинные списки запретов, которые не дают модели искать короткие пути — например, просто копировать измеренные значения датчиков. В публикации Google не приводит долю неудач для отдельных демо, а для показателя успеха в 75 процентов не указано, сколько всего было попыток.

Gemini 4 Argon доступна в Google AI Studio и среде разработки Antigravity, но только подписчикам Google AI Ultra. Разработчики также могут получить доступ к модели через платный тариф Gemini API.

Без предварительного обучения Argon ставит опрокинутую чашку и складывает внутрь салфетку, ориентируясь на координатную сетку на изображении с камеры

Источник: the-decoder.com

Google выпустила Gemini 4 Argon по всему миру всего за несколько дней до этого. Для робототехники компания уже представила Gemini Robotics-ER 1.6 — модель для пространственного восприятия и планирования задач. Тренировки в виртуальных средах тоже не новы: стартап World Labs показал, как реальные сцены можно превращать в виртуальные тренировочные миры, а DreamDojo от Nvidia симулирует действия роботов в видеороликах. Особенность подхода Google — попытка поручить одной модели симуляцию, управление и оценку.