13 октября 2026 г.
Gemini 4 Argon знаменует собой качественный скачок в физическом понимании, генерации кода и визуально-семантическом мышлении, открывая новые рабочие процессы в стеке робототехники и ускоряя прогресс на пути к физическому AGI.
Этот скачок в возможностях можно увидеть в бенчмарке Embodied Reasoning (ERQA), который проверяет способность модели понимать и решать физические, пространственные задачи в 3D-средах. Используя чистое рассуждение, Argon набирает 87%, превосходя любую другую передовую модель.
Будучи моделью физического рассуждения общего назначения, Argon может применяться на протяжении всего жизненного цикла робототехники. В этом посте мы делимся репрезентативными промптами для Argon в четырех ключевых областях:
- Управление роботами → Мобильная манипуляция с практикой, zero-shot управлением роботами и управлением видео-мировыми моделями с замкнутым контуром.
- Real2Sim → Реконструкция физически откалиброванных симуляционных двойников на основе данных с камер роботов, эгоцентрического видео человека или нарисованных от руки эскизов.
- Физическое понимание → Агентная мультимодальная ретроспективная разметка, включая детальное понимание ловкости, плотные функции ценности и оценку прогресса.
- Исследования и самосовершенствование → Улучшение действий посредством симуляции и итеративного самосовершенствования на аппаратном обеспечении.
Раскрытие потенциала управления роботами с помощью Argon
1. Мобильная манипуляция Spot: выбрасывание мусора с практикой в MuJoCo
Argon управляет четвероногим роботом Boston Dynamics Spot® (12 степеней свободы ног + 6 степеней свободы манипулятора), чтобы освоить новый навык: нажатие на педаль мусорного бака, чтобы выбросить банки из-под газировки. Argon создает артикулированный цифровой двойник мусорного бака с педалью в MuJoCo, чтобы попрактиковаться в движениях, прежде чем нажать на физическую педаль и сбросить банки в открытый бак.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Мобильная манипуляция Spot — переход от реальности к симуляции и обратно при выбрасывании мусора в бак с педалью: Spot поднимает банку, проверяет ее с помощью наручной камеры, практикует балансировку на 3-ногом штативе в MuJoCo, нажимает на педаль, проверяет центрирование руки над открытым баком и сбрасывает банку внутрь.
Промпт:
Обычный текст
Скопировано
2. Zero-shot управление
Argon управляет простым роботом-манипулятором, чтобы поставить упавшую кружку вертикально и положить внутрь скомканную салфетку. Argon рассуждает с использованием визуальной системы координат и примитивов действий для выполнения этой задачи в течение нескольких ходов.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Слева: вид на реального робота от третьего лица; справа: откалиброванная наручная камера с проецируемыми мировыми координатами (2 см) и прицелом для закрытия захвата.
Промпт:
Обычный текст
Скопировано
3. Omni-управление
Argon управляет роботами в мировой модели Gemini Omni, чтобы переставить пять разбросанных плиток Scrabble (G, R, A, N, O) в аккуратный ряд, составляющий слово A - R - G - O - N. Вместо указания одного статического промпта, Argon управляет роботами в визуальном замкнутом контуре. Он записывает промпты действий с временными метками, проверяя промежуточные ключевые кадры развертки и уточняя свои промпты.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Итеративное управление мировой видеомоделью для ловких рук: 33-шаговая управляемая видеоразвертка, составляющая слово A-R-G-O-N.
Промпт:
Обычный текст
Скопировано
Раскрытие потенциала Real2Sim с помощью Argon
1. От вида робота к симуляции
Argon просматривает эпизод телеуправления реальным роботом и создает цифровой двойник; он получает или создает симуляционные активы, которые выглядят и ведут себя как реальные объекты при контакте с ловкими руками. Argon настраивает активы и сцены так, чтобы визуальные эффекты симуляции и события контакта соответствовали данным в реальной записанной записи в цикле итеративного визуального рассуждения.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Слева (реальный вид): синхронизированные потоки с камер реального робота; справа (симуляция): 3D-сцена MuJoCo, реконструированная и откалиброванная Argon.
Промпт:
Обычный текст
Скопировано
2. От вида человека к симуляции
Получив эгоцентрическое видео манипуляционной задачи, выполненной человеком, Argon идентифицирует объекты, имеющие отношение к задаче, заменяет грубые ограничивающие рамки на составные выпуклые декомпозированные сетки для вогнутых контейнеров и перенацеливает траекторию человеческой руки на 76-степенного бимануального гуманоида с 22-степенными пятипалыми руками в физике контактов MuJoCo.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
От вида человека к симуляции — от эгоцентрического видео человека к ловкому двойнику-гуманоиду: слева показано входное эгоцентрическое RGB-видео человека; справа показана синхронизированная симуляция с частотой 500 Гц в MuJoCo + Blender Cycles.
Промпт:
Обычный текст
Скопировано
3. От эскиза к симуляции
С помощью Argon разработчик может сделать фото грубого эскиза на бумаге — показывающего гуманоида Apollo 2, бросающего мяч по параболической дуге, чтобы сбить пирамиду из коробок 3-2-1 на столе — и заставить Argon автоматически построить сцену mujoco_warp с ускорением на GPU, синтезировать сбалансированную траекторию броска для 76-степенного тела и пяти пальцев, проверить сбивание 6 из 6 целей в физике замкнутого контура и экспортировать рендер Blender 4.5 Cycles.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
От эскиза к симуляции — от нарисованного от руки эскиза к траектории ловкого гуманоида и рендеру Cycles.
Промпт:
Обычный текст
Скопировано
Раскрытие физического понимания с помощью Argon
1. Ретроспективная разметка и качество данных
Argon обладает точным физическим пониманием ловких манипуляций и может предоставлять детальную сегментацию и текстовую разметку на основе видео. Argon способен идентифицировать неудачные сегменты манипуляций, такие как паузы, нестабильные захваты и ошибки. Получив видео сверху, на котором бимануальный робот ALOHA 2 складывает квадратный лист бумаги в оригами-лису в течение 136 секунд, Argon создает выровненную по времени 4-уровневую иерархию ретроспективных аннотаций: цель эпизода (G1), 6 непрерывных семантических подзадач (G2), 17 атомарных примитивов на уровне контакта (G3) и автоматизированную перевзвешивание контроля качества (QC), которое удерживает прогресс задачи на одном уровне во время ошибок и повторных попыток.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Многоуровневая ретроспективная разметка и телеметрия Argon.
Промпт:
Обычный текст
Скопировано
2. Найди лишний шар
Чтобы воссоздать классическую головоломку с 12 шарами и весами с помощью роботов, Argon создает бимануальную среду Franka FR3 MuJoCo с 12 визуально идентичными шарами для бильярда (один из которых тайно тяжелее или легче) и артикулированными весами Roberval с двумя чашами. Затем он пишет решатель с замкнутым контуром, использующий только зрение, который триангулирует шары с помощью стерео RGB-камер, визуально считывает наклон весов после каждого взвешивания и изолирует лишний шар в тяжелый (красный) или легкий (синий) лоток в течение 3 взвешиваний.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Найди лишний шар (решатель с замкнутым контуром только на основе зрения): двухрукий Franka FR3 взвешивает шары-кандидаты на золотых/бирюзовых чашах, считывает наклон стереовесов и изолирует подтвержденный тяжелый лишний шар в красный лоток за 3 взвешивания.
Промпт:
Обычный текст
Скопировано
3. Функция ценности
Argon — это общая функция ценности для робототехнических задач. Оцениваемая на 60-секундном эпизоде бимануальной сортировки колец из набора данных UMI человека, Argon итеративно проверяет синхронизированные потоки с камер головы, левого и правого захватов вокруг переходов контакта, чтобы генерировать плотные прогнозы функции ценности / прогресса задачи и декомпозировать траекторию на 28 сегментов с положительными, нейтральными и отрицательными градиентами прогресса.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Функция оценки: синхронизированное воспроизведение UMI с 3 камер (голова, левый захват, правый захват), привязанное к кривой прогресса анимированной задачи и аннотациям бимануальных сегментов.
Подсказка:
Обычный текст
Скопировано
Раскрытие потенциала исследований и самосовершенствования с помощью Argon
1. Улучшение действий посредством симуляции
Argon может генерировать новые данные в симуляции для повышения производительности универсальных моделей «зрение-язык-действие» (VLA). Начиная с одной RGB-фотографии реального стола, Argon автономно создает откалиброванного симуляционного двойника в MuJoCo, определяет новые задачи и синтезирует генератор движений с замкнутым контуром для сбора более 4500 эпизодов с рандомизацией домена в симуляции, что повышает показатель успешности реального физического робота с 56% до 75% и сокращает время выполнения с 35 до 24 секунд.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Улучшение действий посредством симуляции: повышает эффективность реального оценочного теста (показатель успешности с 56% до 75%, время выполнения с 35 до 24 секунд).
Подсказка:
Обычный текст
Скопировано
2. Самосовершенствование для визуального захвата и перемещения
На простом 6-осевом манипуляторе Argon итеративно улучшает как скорость выполнения, так и точность размещения в задаче захвата и перемещения посредством проб и саморефлексии.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
SO-101 Визуально-управляемый захват и перемещение — итеративное аппаратное самосовершенствование через итерации 1 → 2 → 3: Итерация 1 (58,9 с), Итерация 2 (22,9 с, задел край коробки при сбросе) и Итерация 3 (17,4 с, сброс точно в центр).
Подсказка:
Обычный текст
Скопировано
3. Воспроизведение робототехнических статей по одной подсказке в MuJoCo WebAssembly
Используя одну подсказку на статью, Argon считывает рукопись по управлению роботами и любые выпущенные чекпоинты, переносит физическую модель и контроллер с замкнутым контуром (от 7-сетевой иерархической локомоции в DeepLoco и 50 Гц PPO-акторов в HUSKY до Web Worker iLQR в Whole-Body MPC) в автономные браузерные лаборатории MuJoCo WebAssembly и проверяет их в headless-версии Chromium.
К сожалению, ваш браузер не поддерживает воспроизведение этого видео
Пять знаковых статей о шагающих и гуманоидных роботах, работающих в реальном времени в браузере (MuJoCo WASM): Robotic Soccer OP3 1v1, DeepLoco, массово-параллельное глубокое обучение с подкреплением ANYmal C, Whole-Body MPC Go2 и HUSKY G1 Skateboarding (из 68 интерактивных браузерных песочниц, воспроизведенных Argon).
Подсказка:
Обычный текст
Скопировано
Развитие воплощенного интеллекта с помощью Argon
Argon объединяет программирование, визуальное восприятие, физическое моделирование и управление воплощенными роботами. Рассуждая на основе многоракурсного видео, 3D-геометрии, механики контактов и проприоцептивной телеметрии, Argon понимает не только то, какие объекты находятся в сцене, но и то, как они физически взаимодействуют с агентами для выполнения сложных задач всем телом. Gemini 4 Argon знаменует собой важную веху, ускоряющую путь к физическому AGI. Создавая этот базовый интеллект, мы стремимся сделать возможным создание робототехники, способной работать вместе с людьми для решения сложных задач.
Начало работы
Вы можете начать создавать проекты с Gemini 4 Argon уже сегодня на платформах для разработчиков Google:
- Google AI Studio: Доступно для подписчиков Google AI Ultra.
- Gemini API: Доступно в платной версии Gemini API в AI Studio. Используйте gemini-4-argon в Interactions API с поддержкой с первого дня во всех SDK google-genai.
- Google Antigravity: Доступно для подписчиков Google AI Ultra. Чтобы начать разработку, выберите Gemini 4 Argon (gemini-4-argon) в качестве активной модели в Google Antigravity для сложного планирования, запуска /goal и оркестрации мультиагентных систем.
Назад
Вперед
