Gemini 4 Argon भौतिक समझ, कोड जनरेशन और दृश्य-अर्थगत तर्क में एक बड़ा बदलाव है, जो रोबोटिक्स स्टैक में नई कार्यप्रवाह संभव बनाता है और भौतिक AGI की दिशा में प्रगति को तेज़ करता है। Embodied Reasoning (ERQA) बेंचमार्क पर, जो परखता है कि कोई मॉडल 3D वातावरण में भौतिक और स्थानिक समस्याओं को समझने और हल करने में कितना सक्षम है, Argon केवल तर्क के आधार पर 87% स्कोर करता है, और हर दूसरे अग्रणी मॉडल से आगे निकल जाता है।
एक सामान्य-उद्देश्य भौतिक तर्क मॉडल के रूप में, Argon को पूरे रोबोटिक्स जीवनचक्र में लागू किया जा सकता है। पोस्ट चार प्रमुख क्षेत्रों को रेखांकित करती है: रोबोट नियंत्रण, Real2Sim, भौतिक समझ, और अनुसंधान तथा स्व-सुधार। रोबोट नियंत्रण में, Argon 6-DoF आर्म वाले Boston Dynamics Spot चौपाये रोबोट को चलाता है और एक नया कौशल सीखता है: फुट-पेडल वाले कचरा डिब्बे पर पैर रखकर सोडा के कैन फेंकना। वास्तविक पेडल पर कार्य करने से पहले, यह पहले डिब्बे का एक आर्टिकुलेटेड MuJoCo डिजिटल ट्विन बनाता है और अपनी गतिविधियों का अभ्यास करता है।
Argon एक सरल रोबोटिक आर्म के साथ ज़ीरो-शॉट नियंत्रण भी दिखाता है। विज़ुअल कोऑर्डिनेट हार्नेस और एक्शन प्रिमिटिव्स का उपयोग करके, यह गिरे हुए मग को सीधा करता है और एक मुड़ा हुआ नैपकिन उसके अंदर रखता है, कलाई के कैमरे से कैलिब्रेटेड फीडबैक लेकर कई चरणों में तर्क करते हुए। यह सिस्टम कार्य करने से पहले अपने कार्यों की जाँच के लिए एनोटेटेड विश्व निर्देशांक, ग्रिप ओरिएंटेशन संकेत और क्लोज़्ड-लूप सत्यापन का उपयोग करता है।
Real2Sim क्षेत्र में, Argon रोबोट कैमरा फीड, प्रथम-पुरुष मानव वीडियो या हाथ से बनाए गए स्केच से भौतिक रूप से कैलिब्रेटेड सिमुलेशन ट्विन पुनर्निर्मित करता है। एजेंटिक मल्टीमोडल लेबलिंग और हार्डवेयर पर पुनरावृत्त स्व-सुधार के साथ मिलकर, ये क्षमताएँ ऐसे रोबोटों की ओर संकेत करती हैं जो कार्यों के बीच अधिक स्वायत्त रूप से सीखते हैं।
स्रोत: Hacker News · HeadlinesBriefing द्वारा सारांशित