模型發布
谷歌发布 Gemini 4 Argon 物理推理模型:ERQA 達 87%,支援機器人控制與 Real2Sim 場景重建
AI 前線單一來源
核實資料不足
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
本次未取得足夠原文證據
谷歌發布 Gemini 4 Argon,定位為通用物理推理模型,可用於機器人控制、Real2Sim 場景建構、機器人影片多模態標注與迭代策略優化,而非單一末端執行器策略。據已公布的提示詞,Argon 在 MuJoCo 孪生環境中訓練後,引導波士頓動力 Spot 機器人完成踏板任務;另以視覺座標與 HTTP 運動原語操控較簡單的機械臂,並透過 Gemini Omni 影片世界模型實現閉環控制。Real2Sim 範例可從遙操作影片重建 MuJoCo 場景,標注提示則用於對示範影片標注以進行行為克隆。谷歌報告,曾從一張 RGB 照片合成領域隨機化 MuJoCo 場景,用以微調視覺-語言-動作策略,並稱對應真實環境中成功率由 56% 提升至 75%。
在「具身推理問答(ERQA)」基準上,谷歌報告 Argon 僅靠純推理(不借助工具)取得 87%,並稱領先其他前沿模型。Argon 向 Google AI Ultra 訂閱用戶開放,也可透過付費 Gemini API 使用,模型 ID 為 gemini-4-argon。
不過,博文示範使用大量任務專用提示詞、座標網格、運動原語與驗證器,輔助結構實質上也是被測系統的一部分;谷歌僅公布個別 VLA 案例,未揭露各項示範的失敗率。早期從業者關注模擬保真度,有開發者指出除視覺校準外,接觸物理行為是否正確同樣關鍵。另有開發者提醒,Video-to-Sim-to-Real 技術本身已由谷歌博文證實,但社群流傳的玉米洞(Cornhole)投擲案例既無論文、程式碼或命中率數據,且實際投擲資料是先用於校準機器人。
與既有路線相比,OpenVLA 類策略、Physical Intelligence 的 π 系列與 NVIDIA GR00T 多依賴大量遙操作或模擬語料;場景到模擬與生成式世界工具則偏重環境合成或影片預測。Argon 的關鍵問題在於:前沿模型搭配複雜提示詞體系,能否取代由 VLA、模擬器與標注服務組成的整條管線,目前仍有待獨立驗證。
讀原始報導背景
MuJoCo 是 DeepMind 免費釋出的機器人物理模擬函式庫,屬於二階連續時間模擬器,實作完整的運動方程式。本則新聞中 Argon 的機器人示範,即是在 MuJoCo 孿生環境中訓練後再部署到真實機器人。Video-to-Sim-to-Real 指的是從單一人類操作影片重建可用於模擬的數位孿生,再學習從模擬到真實世界的策略,Video2Sim2Real 是實作這類流程的全端框架之一。