Gemini 4 Argon representa uma mudança significativa em compreensão física, geração de código e raciocínio visual-semântico, desbloqueando novos fluxos de trabalho em toda a pilha robótica e acelerando o progresso rumo à AGI física. No benchmark de raciocínio incorporado (ERQA), que avalia a capacidade de um modelo de compreender e resolver problemas físicos e espaciais em ambientes 3D, o Argon alcança 87% usando apenas raciocínio, superando todos os outros modelos de fronteira.
Como modelo de raciocínio físico de uso geral, o Argon pode ser aplicado em todo o ciclo de vida da robótica. A publicação destaca quatro áreas principais: controle robótico, Real2Sim, compreensão física e pesquisa e autoaperfeiçoamento. No controle robótico, o Argon opera um quadrúpede Boston Dynamics Spot com um braço de 6 graus de liberdade para aprender uma nova habilidade: pisar no pedal de uma lixeira para descartar latas de refrigerante. Primeiro, ele constrói um gêmeo digital articulado da lixeira no MuJoCo para treinar seus movimentos antes de atuar sobre o pedal físico.
O Argon também demonstra controle zero-shot com um braço robótico simples. Usando um arcabouço de coordenadas visuais e primitivas de ação, ele endireita uma caneca caída e coloca dentro um guardanapo amassado, raciocinando em vários turnos com feedback calibrado da câmera do punho. O sistema utiliza coordenadas anotadas do mundo, pistas de orientação da garra e verificação em malha fechada para checar suas ações antes de executá-las.
Na área de Real2Sim, o Argon reconstrói gêmeos de simulação calibrados fisicamente a partir de imagens de câmeras de robôs, vídeos egocêntricos de humanos ou esboços à mão. Combinadas com rotulagem multimodal agêntica e autoaperfeiçoamento iterativo em hardware, essas capacidades apontam para robôs que aprendem de forma mais autônoma entre tarefas.
Fonte: Hacker News · Resumido por HeadlinesBriefing