Gemini 4 Argon 机器人技术发行说明

Gemini 4 Argon 代表了机器人物理理解、代码生成和视觉语义推理方面的重大进步。通过使模型能够原生处理 3D 几何、接触力学和多视角视频，Argon 提供了一个管理整个机器人生命周期的框架，从初始仿真到硬件部署。该模型在具身推理 (ERQA) 基准测试中获得了 87% 的分数，在解决物理和空间问题方面优于现有的前沿模型。

机器人控制的核心能力

Argon 作为一个通用推理引擎，可以应用于各种机器人硬件，包括像 Boston Dynamics Spot 这样的四足机器人以及各种机械臂。关键的控制工作流程包括：

• 零样本控制 (Zero-Shot Control)： 该模型使用视觉坐标系和动作原语来执行诸如重新定向物体或放置物品等任务，并由校准后的腕部摄像头馈送进行引导。
• 全能控制 (Omni-Control)： 通过在 Gemini Omni World Model 中引导机器人，Argon 实现了迭代视觉反馈循环，允许执行复杂的、多步骤的操作任务，例如根据实时视觉检查重新排列物体。
• 仿真集成： Argon 可以从各种输入（包括机器人摄像头馈送、人类第一人称视频，甚至是手绘草图）创建铰接式 MuJoCo 数字孪生，使机器人能够在物理硬件上执行任务之前在仿真中进行“练习”。

研究与自我提升

Argon 旨在促进自主研究和迭代自我提升。通过在仿真中生成域随机化片段，该模型可以提高视觉-语言-动作 (VLA) 模型在物理硬件上的成功率。用户还可以利用 Argon 通过将物理模型和控制器移植到独立的 MuJoCo WebAssembly 浏览器实验室中，来自动化复现复杂的机器人技术论文。

社区见解与实际应用

早期采用者和开发者指出，与之前的版本相比，该模型的安全性和空间感知能力有所提高。

• 安全与导航： 使用消费级人形机器人硬件测试 Argon 的用户报告称，该模型在导航环境时表现出谨慎，有效地避免了与家具和表面的碰撞。
• 开发流水线： 开发者正在利用 Argon 来弥合高级 LLM 推理与低级机器人运动之间的差距。一位用户指出：“与早期模型相比，Argon 4 采取了许多预防措施来避免撞到墙壁和其他物体！”
• 局限性与未来展望： 一些观察人士指出，虽然推理能力显著，但当前的计算密集型实现与移动式、电池供电机器人所需的要求之间仍存在差距。讨论表明，我们距离在独立于外接电源运行的消费级移动机器人上部署这种水平的智能可能还有几年时间。

入门指南

Gemini 4 Argon 目前可通过 Google 的开发者平台获取：

• Google AI Studio： 向 Google AI Ultra 订阅者开放。
• Gemini API： 可通过 Gemini API 的付费层级访问，并在 google-genai SDK 中支持 gemini-4-argon 模型。
• Google Antigravity： 向 Google AI Ultra 订阅者开放，用于多智能体编排和复杂规划任务。