Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型

2026年11月10日模型Gemini Robotics 2.5加速现实世界中的通用灵巧性

Carolina Parada

我们正在让机器人能够在现实世界中更快地学习——从日常技能到工厂车间

今天，我们推出 Gemini Robotics 2.5，这是我们迄今为止能力最强的视觉-语言-动作（VLA）模型。Gemini Robotics 2.5 既拓展了机器人可学习技能的广度，也提升了其掌握这些技能的速度。这增强了灵巧性、可靠性和安全性，帮助机器人走出实验室，进入更加非结构化的现实环境，在那里它们能够协助人们完成更广泛的任务。

今年早些时候，我们将全身智能带给了多种类型的机器人，包括人形机器人。如今，很大程度上得益于 Gemini 4 Argon 加速机器人研究的能力，我们进一步推动了物理智能的前沿。我们在超过200项不同任务中测试了 Gemini Robotics 2.5 在任务广度、性能和复杂度方面的能力，而这一方法还可以扩展到更多任务。

Gemini Robotics 2.5 在三个关键领域实现了飞跃：

灵巧性： 我们的机器人能够以更高的性能和灵巧度完成显著更多的任务——从使用日常工具到处理精致、柔性的物体。
可靠性： 在 Mercedes-Benz 生产线上的真实世界概念验证中，我们的模型帮助 Apptronik 的 Apollo 2 人形机器人以96%的成功率完成汽车零件的分拣和包装。这有望让机器人承担单调的工作，使技术人员能够专注于复杂的装配任务。
安全性： 随着机器人进入日常环境，我们改进了物理安全可操控性，并推出了一项新基准，用于测试针对机器人领域特有的对抗性越狱攻击。

Gemini Robotics 2.5 正在向我们的机器人合作伙伴.

拓展任务广度、可靠性与灵巧性

由于现实环境是非结构化且不可预测的，机器人必须能够以高精度和高可靠性处理日常物品。

借助 Gemini Robotics 2.5，我们在任务广度、性能和复杂度方面扩展了模型能力。我们在200项不同任务上对该模型进行了评估——例如用夹子盛放食物、在礼盒上系蝴蝶结以及用移液器移取液体。这些任务将多项技能结合起来，包括高级工具使用、对可变形物体的复杂操作以及精细处理易碎物品，代表着向人类水平灵巧性迈出的一步。

我们的评估显示，任务精度、鲁棒性和速度均有显著提升。与此前的基线相比，Gemini Robotics 2.5 根据任务类型的不同，成功率提高了30%至100%，同时完成任务的速度快了20%至30%。

与我们此前的 Gemini Robotics 模型一样，它原生支持多种不同类型的机器人，包括 Apptronik 的 Apollo 2 人形机器人（配备五指、22自由度的 SharpaWave 手）以及 Franka Duo 平台配备两指平行夹爪。

第 1 张幻灯片，共 4 张 A bar chart comparing the performance of Gemini Robotics 2.5 against Gemini Robotics 2 on various tabletop pick-and-place tasks, showing significant improvements in success rates.

A bar chart comparing the performance of Gemini Robotics 2.5 against Gemini Robotics 2 on various tabletop pick-and-place tasks, showing significant improvements in success rates.

A bar chart comparing the success rates of Gemini Robotics 2 and Gemini Robotics 2.5 across various tabletop pick-and-place tasks. Gemini Robotics 2.5 consistently outperforms its predecessor, achieving a 100% success rate on many tasks where Gemini Robotics 2 scored significantly lower or 0%.

A bar chart titled "Multi-step & contact-rich" comparing task success rates between Gemini Robotics 2 (striped blue bars) and Gemini Robotics 2.5 (solid blue bars). Gemini Robotics 2.5 shows significant performance gains across all tasks, with highlighted improvements including "Close lid of black toolbox" (0% to 93%), "Unhang mug to table" (29% to 75%), "Sweep trash into dustpan with brush" (0% to 52%), and "Pack rice cooker" (0% to 40%).

A bar chart comparing the success rates of Gemini Robotics 2 and Gemini Robotics 2.5 across various multi-step, contact-rich tasks, showcasing significant performance improvements for version 2.5.

A bar chart titled "Precision kitting & insertion" comparing the task success rates of Gemini Robotics 2 (striped blue) and Gemini Robotics 2.5 (solid blue), showcasing significant performance improvements in version 2.5.

A bar chart titled "Precision kitting & insertion" comparing the success rates of Gemini Robotics 2 and Gemini Robotics 2.5 across various tasks, highlighting the significant performance improvements of Gemini Robotics 2.5.

A bar chart comparing the success rates of Gemini Robotics 2 (striped bars) and Gemini Robotics 2.5 (solid blue bars) across various dexterous manipulation tasks. The chart shows substantial improvements in success rates for Gemini Robotics 2.5, highlighting specific tasks like packing pastries with tongs (increasing from 5% to 100%), untying ribbon bows (0% to 70%), hanging a cardigan (0% to 62%), and folding pants (0% to 40%).

借助 Apptronik 的 Apollo 和 Mercedes-Benz 测试真实世界可靠性

衡量机器人模型的终极标准，是它能否在活跃的工作场所中可靠地执行任务。为了检验 Gemini Robotics 2.5，我们与 Apptronik 和 Mercedes-Benz 合作，在匈牙利凯奇凯梅特和德国辛德尔芬根的活跃汽车生产线上使用 Apollo 2 人形机器人。

机器人难以适应新的不可预测环境，而我们的 Gemini Robotics 模型赋予 Apollo 思考、多步推理并采取行动适应变化的能力。在此概念验证中，Apollo 2 自主执行汽车零件配料：这是一项重复且耗费体力的任务，需要将散装料箱中的单个零件按生产线上每辆汽车所需的精确顺序分拣到有序托盘中。卸下这项单调的准备工作有助于保持装配线运转，同时让技术人员腾出精力专注于复杂的装配任务。

使用我们的具身推理模型（Gemini Robotics ER）来跟踪工作流程，并使用 Gemini Robotics 2.5 动作模型来控制其手和手臂，机器人伸手进入供料箱，拿起金属汽车支架，并将它们放入排序容器中，同时纠正任何间隙。该试点项目实现了96%的成功率，显示出朝着广泛现实工业应用迈出的可喜进展。

Two humanoid robots sort parts in blue bins on an automotive factory assembly line.

这正是我们打造 Apollo 的目的：在真实的工业环境中与人们一起从事有用的工作。将 Apollo 2 与 Gemini Robotics 相结合，我们看到模型在短短几周的后期训练中大幅提升，并且几乎没有性能下降地迁移到 Mercedes-Benz 的生产中。这是将人形机器人大规模引入工业和商业环境的基础。

Jeff Cardenas，Apptronik 联合创始人兼首席执行官

Apollo 2 使用 Gemini Robotics 2.5 在 Mercedes-Benz 工厂自主执行汽车零件配料。

提升机器人的可操控性和智能体安全性

随着机器人在杂乱、日常的空间中运行，物理安全至关重要。为帮助确保这一点，我们大幅提升了 Gemini Robotics 2.5 的安全功能。

Gemini Robotics 2.5 利用推理时引导在实时中绕开物理危险。就像安全分类器为 Gemini 的回复增加一层保护一样，这种引导让机器人能够安全地穿行于复杂环境。在我们的评估中，这一能力使绕开障碍物的安全任务完成率提升了 33%，绕开附近人员的安全任务完成率提升了 43%。

我们还在提升长时程、智能体任务的安全性。Gemini 4 Argon 目前在我们的智能体机器人评估中领先，涵盖不安全任务拒绝、不确定性消解以及与人类近距离协作。为测试越狱鲁棒性，我们发布了 ASIMOV-Jailbreak，这是一个新的开源基准，包含数百条提示词，在数十个场景中伪装不安全请求。Argon 实现了 99.5% 的越狱抵抗率——相比我们此前基线 Gemini Robotics ER 2 的 82% 有显著提升。

以 Gemini 4 Argon 加速机器人技术发展

为了教机器人掌握新技能，研究人员需要大量物理数据和高效的建模算法。Gemini 4 Argon 的机器人研究能力通过充当仿真引擎帮助解决了这些瓶颈，极大加速了我们开发 Gemini Robotics 2.5 的进程。

Gemini 4 Argon 的机器人研究能力加速 Gemini Robotics 2.5 的示例

Argon 可以从真实世界的相机场景中生成数千次多样化的模拟练习运行，并构建逼真的数字孪生。结合真实的训练演示，这使机器人能够更快地泛化到新场景和新物体。Argon 还可以帮助研究人员根据视频片段推测任务失败的原因，并在仿真环境和真实机器人上测试最佳改进方案。

在 Gemini 4 Argon 等前沿智能模型的加速下，Gemini Robotics 2.5 标志着迈向解决物理 AGI 道路上的重要里程碑。通过在灵巧性、真实世界可靠性和严格安全性方面的进步，我们正在构建机器人所需的身体智能，使其能够与人类并肩工作并解决现实世界的挑战

致谢

这项工作由 Gemini Robotics 团队开发。我们感谢以下人员对本项工作的领导和支持：Huizhong Chen、Radu Soricut、Jean-Baptiste Alayrac、Melvin Johnson、Edward Grefenstette、Claire Cui、Jon Shlens、David Thacker、Zoubin Ghahramani、Clement Farabet、Koray Kavukcuoglu 和 Demis Hassabis。我们还要感谢 Google 和 Google DeepMind 中为本项工作做出贡献的众多团队，包括研究、法务、市场、传播、责任与安全委员会、负责任开发与创新、政策、战略与运营，以及我们的业务与企业发展团队。最后，我们感谢我们的合作伙伴：Agile、Apptronik 和 Mercedes-Benz 团队对本次发布的支持。