Gemini 4 Argon marca un cambio sustancial en la comprensión física, la generación de código y el razonamiento visual-semántico, abriendo nuevos flujos de trabajo en toda la pila robótica y acelerando el progreso hacia la AGI física. En el benchmark de razonamiento encarnado (ERQA), que evalúa la capacidad de un modelo para comprender y resolver problemas físicos y espaciales en entornos 3D, Argon obtiene un 87 % usando únicamente razonamiento, superando a todos los demás modelos de vanguardia.
Como modelo de razonamiento físico de propósito general, Argon puede aplicarse a todo el ciclo de vida de la robótica. La publicación destaca cuatro áreas clave: control robótico, Real2Sim, comprensión física e investigación y automejora. En el control robótico, Argon opera un cuadrúpedo Boston Dynamics Spot con un brazo de 6 GDL para aprender una nueva habilidad: pisar el pedal de un cubo de basura para tirar latas de refresco. Primero construye un gemelo digital articulado en MuJoCo del cubo para practicar sus movimientos antes de actuar sobre el pedal físico.
Argon también demuestra control de disparo cero con un brazo robótico sencillo. Usando un marco de coordenadas visuales y primitivas de acción, endereza una taza caída y coloca dentro una servilleta arrugada, razonando a lo largo de varios turnos con retroalimentación calibrada de la cámara de la muñeca. El sistema utiliza coordenadas anotadas del mundo, pistas de orientación de agarre y verificación en bucle cerrado para comprobar sus acciones antes de ejecutarlas.
En el área de Real2Sim, Argon reconstruye gemelos de simulación calibrados físicamente a partir de las imágenes de cámaras de robots, vídeo egocéntrico de personas o bocetos a mano alzada. Combinadas con el etiquetado multimodal agéntico y la automejora iterativa en hardware, estas capacidades apuntan a robots que aprenden de forma más autónoma en distintas tareas.
Fuente: Hacker News · Resumido por HeadlinesBriefing