DeepMind представила Gemini 4 Argon: модель для роботов, 87% на ERQA

В блоге deepmind.google представлена Gemini 4 Argon, универсальная модель физического мышления (general-purpose physical reasoning model), которую авторы предлагают применять на всём жизненном цикле разработки роботов. Заявлено, что модель даёт качественный скачок в понимании физического мира, генерации кода и визуально-семантических рассуждениях, открывает новые рабочие процессы во всём стеке робототехники и приближает «физический AGI».

Единственная цифра качества в доступном тексте, бенчмарк Embodied Reasoning (ERQA), который проверяет умение понимать и решать физические пространственные задачи в трёхмерных средах. По словам блога, при «чистом рассуждении» (pure reasoning) Argon набирает 87% и превосходит все остальные передовые модели. Какие именно модели сравнивались и с какими баллами, в тексте не указано.

Дальше пост показывает «репрезентативные промпты» для четырёх направлений.

Управление четвероногим роботом Boston Dynamics Spot (12-степенные ноги и 6-степенная рука). Argon учит его новому навыку: наступать на педаль мусорного бака, чтобы выбросить банки из-под газировки. Перед этим модель создаёт сочленённый цифровой двойник бака в MuJoCo и отрабатывает движения. В промпте также просят перед нажатием проверить по фронтальным камерам, что целевая передняя правая лапа стоит по центру педали, и привлечь «рой проверки» из двух агентов (проверяющий лапы и проверяющий руки).
Простая роборука: поставить упавшую кружку и положить в неё скомканную салфетку. Argon рассуждает с помощью визуальной системы координат и набора действий-примитивов за несколько ходов. Промпт описывает замкнутый цикл: наблюдение по снимку с камеры на запястье и файлу obs.json, затем команды вроде look_at, grasp, place, goto, move_by через локальный интерфейс; выбор детализации, от 2-4 вызовов до 8-20 для тонкого визуального сервоуправления.
Управление мировой моделью Gemini Omni World Model: Argon переставляет пять разбросанных плиток Скрэббл (G, R, A, N, O) в ряд A-R-G-O-N. Вместо одного статичного промпта модель работает в замкнутом визуальном цикле: пишет промпты действий с временными метками, разбирает промежуточные ключевые кадры прогона и уточняет следующий промпт.
Цифровые двойники и перенос движений. По записи телеоперации реального робота Argon собирает сцену в MuJoCo: подбирает геометрию, массу, трение объектов и их начальные позы, добиваясь совпадения как картинки с камер (head_left, left_wrist, right_wrist), так и сил на кончиках пальцев Sharpa с логом тактильных датчиков. Менять команды робота разрешено только вблизи контакта с объектами и не более чем на 0,55 рад (суставы руки) и 0,65 рад (суставы кисти) от записанной траектории. Правила жёсткие: объекты двигаются только через реальный контакт в MuJoCo, без внешних сил, сварных связей, подмены qpos/qvel и копирования логов тактильных данных вместо расчёта решателя. Результат нужно выдать как интерактивный HTML-просмотрщик с синхронной временной шкалой, 3D-сценой в Blender и сравнением реальных и симулированных видов.

Также в посте: по видео от первого лица Argon находит значимые объекты, заменяет грубые габаритные рамки выпуклыми составными сетками для вогнутых контейнеров и переносит траекторию рук человека на двурукого гуманоида с 76 степенями свободы и пятипалыми кистями по 22 степени свободы в физике MuJoCo с частотой 500 Гц; успех включает захват, подъём объекта более чем на 2 см и устойчивую укладку. Разработчик может сфотографировать набросок ручкой на бумаге с гуманоидом Apollo 2, бросающим мяч по параболе в пирамиду коробок 3-2-1, а Argon автоматически соберёт сцену в GPU-ускоренном mujoco_warp, синтезирует сбалансированный бросок (50 Гц, 140 шагов, 2,80 с), проверит, что сбиты все 6 из 6 мишеней, при отклонении таза менее 3 см, и экспортирует рендер Blender 4.5 Cycles.

Наконец, Argon умеет размечать видео манипуляций и находить плохие сегменты: паузы, неустойчивые захваты и «фамблы» (неудачные неловкие действия). На 136-секундном ролике, где робот ALOHA 2 складывает лист бумаги в оригами-лису, он строит четырёхуровневую аннотацию: цель эпизода (G1), 6 смысловых подзадач (G2), 17 контактных атомарных примитивов (G3) и автоматическую перевзвешку качества (QC), которая удерживает прогресс задачи на месте во время сбоев и повторов. Текст материала в доступной части обрывается, поэтому окончание поста и остальные разделы не учтены.

Ключевые факты

DeepMind представила Gemini 4 Argon, универсальную модель физического мышления, которую предлагают применять на всём жизненном цикле разработки роботов.
На бенчмарке Embodied Reasoning (ERQA) при «чистом рассуждении» Argon набирает 87% и, по словам блога, превосходит все остальные передовые модели; конкуренты и их баллы не названы.
Демо в посте: Spot учится наступать на педаль мусорного бака, роборука ставит кружку и кладёт в неё салфетку, модель управляет мировой моделью Gemini Omni World Model в замкнутом визуальном цикле.
Argon строит цифровые двойники в MuJoCo по записям телеоперации, переносит движения рук человека на гуманоида с 76 степенями свободы и по наброску на бумаге собирает сцену броска, где сбиваются 6 из 6 мишеней.
Модель размечает видео манипуляций: для 136-секундного ролика с оригами-лисой, 6 подзадач и 17 атомарных примитивов, с выявлением пауз и неудачных захватов.

Почему это важно

Модель DeepMind позиционируется не как чат-бот, а как «мозг» для роботов: она пишет код управления, строит физические симуляции и размечает видео. Примеры в посте охватывают сразу несколько этапов работы над роботом, от реального управления Spot до проверки в симуляции и аннотации данных. Авторы называют это шагом к «физическому AGI», но это их собственная формулировка.

Кому это важно

Прежде всего робототехникам и командам, которые строят симуляции и собирают данные для обучения роботов: цифровые двойники в MuJoCo, перенос движений человека на гуманоида и автоматическая разметка эпизодов теоретически экономят ручную работу. Следить за новостью стоит и тем, кто сравнивает передовые модели по пространственному и физическому рассуждению.

Как это применить

В посте приведены готовые образцы промптов: управление Spot через навык и роевую проверку, роборука с примитивами look_at, grasp, place, генерация сцены mujoco_warp по фотографии наброска, разметка видео в формате JSON. Условий доступа, даты выхода, цены и данных об API в доступной части текста нет, поэтому оценить, как именно получить модель, пока нельзя.

Можно ли доверять

Это первичный источник, собственный блог DeepMind, и это маркетинговая подача. Цифра 87% на ERQA заявлена самим разработчиком, независимой проверки в тексте нет; не названы ни сравниваемые модели, ни их результаты, ни уточнение, как считался балл помимо слов «чистое рассуждение». Для демо приведены промпты и описания, но не показатели успеха и число попыток. Доступный текст оборван, так что судить о полном материале нельзя.

Риски и подводные камни

Демонстрации показывают отобранные примеры, а не статистику: частота ошибок и воспроизводимость не указаны. Из текста не видно, какая часть демо выполнена на реальном оборудовании, а какая в симуляции. Сами промпты содержат строгие запреты на «читерство» в симуляции, а это говорит о том, что такие задачи требуют тщательной проверки результатов. Размер модели, данные обучения и архитектура не раскрыты.

«Gemini 4 Argon знаменует качественный скачок в физическом понимании, генерации кода и визуально-семантических рассуждениях, открывая новые рабочие процессы во всём стеке робототехники и ускоряя движение к физическому AGI.»

— блог DeepMind