Google DeepMind hat Gemini 4 Argon vorgestellt, ein Modell, das das Unternehmen als sprunghafte Verbesserung beim physischen Verständnis, bei der Codegenerierung und beim visuell-semantischen Schließen beschreibt. Das Unternehmen erklärt, das Modell sei darauf ausgelegt, neue Arbeitsabläufe im gesamten Robotik-Stack zu ermöglichen und den Fortschritt hin zur physischen AGI zu beschleunigen.
Die Leistungsfähigkeit des Modells wird anhand des Embodied-Reasoning-Benchmarks (ERQA) gemessen, der prüft, wie gut ein Modell physische und räumliche Probleme in 3D-Umgebungen versteht und löst. Allein durch reines logisches Schließen erreicht Argon 87 % und übertrifft damit alle anderen Frontier-Modelle. DeepMind positioniert es als universelles Modell für physisches Schließen, das im gesamten Lebenszyklus der Robotik eingesetzt werden kann.
Die Beispiele von DeepMind lassen sich in vier Bereiche gliedern: Robotersteuerung, Real2Sim, physisches Verständnis sowie Forschung und Selbstverbesserung. In einer Demonstration steuert Argon einen vierbeinigen Boston Dynamics Spot mit einem Arm mit sechs Freiheitsgraden, um eine neue Fähigkeit zu erlernen. Es erstellt einen artikulierten MuJoCo-Digitalzwilling eines Mülleimers mit Fußpedal, übt die Bewegungen in der Simulation und tritt anschließend auf das echte Pedal, um Getränkedosen in den Eimer zu werfen.
In einem Zero-Shot-Steuerungsbeispiel lenkt Argon einen einfachen Roboterarm an, eine umgefallene Tasse aufzurichten und eine zerknüllte Serviette hineinzulegen. Dabei argumentiert es über mehrere Schritte mithilfe eines visuellen Koordinatengerüsts und Aktionsprimitiven, um die Aufgabe abzuschließen. Die Beispiele zeigen, wie das Modell mit minimalem aufgabenspezifischem Training von der Simulation auf echte Hardware übergehen kann.
Quelle: Google DeepMind Blog · Zusammengefasst von HeadlinesBriefing