Gemini 4 Argonは、物理的理解、コード生成、視覚・意味的推論において大きな飛躍を遂げ、ロボティクスのスタック全体に新たなワークフローをもたらし、物理的AGIへの進歩を加速させます。3D環境における物理的・空間的問題の理解と解決能力を測るEmbodied Reasoning(ERQA)ベンチマークにおいて、Argonは純粋な推論のみで87%を記録し、他のすべての最先端モデルを上回りました。
汎用の物理推論モデルとして、Argonはロボティクスのライフサイクル全体に適用できます。この投稿では、ロボット制御、Real2Sim、物理的理解、研究と自己改善という4つの主要分野が紹介されています。ロボット制御では、Argonは6自由度アームを備えたBoston Dynamics Spot四足ロボットを操作し、フットペダル式のゴミ箱を踏んでソーダ缶を捨てるという新しいスキルを学習します。実際のペダルに働きかける前に、まずゴミ箱の関節付きMuJoCoデジタルツインを構築し、動作を練習します。
Argonはまた、シンプルなロボットアームによるゼロショット制御も示しています。視覚的な座標ハーネスと動作プリミティブを用いて、倒れたマグカップを起こし、しわくちゃのナプキンをその中に入れます。手首カメラのキャリブレーション済みフィードバックを使い、複数のターンにわたって推論します。このシステムは、注釈付きの世界座標、把持方向の手がかり、クローズドループの検証を活用し、実行前に動作を確認します。
Real2Simの領域では、Argonはロボットのカメラ映像、一人称視点の人間の動画、手描きのスケッチから、物理的に校正されたシミュレーションツインを再構築します。エージェント型のマルチモーダルラベリングと、実機上での反復的な自己改善と組み合わせることで、これらの能力はタスク間でより自律的に学習するロボットへの道筋を示しています。
出典: Hacker News · 要約：HeadlinesBriefing