Google DeepMind представила Gemini 4 Argon, модель, которую компания описывает как скачок в физическом понимании, генерации кода и визуально-семантическом рассуждении. По словам компании, модель призвана открыть новые рабочие процессы во всём стеке робототехники и ускорить продвижение к физическому AGI.
Возможности модели измеряются с помощью теста воплощённого рассуждения (ERQA), который проверяет, насколько хорошо модель понимает и решает физические и пространственные задачи в трёхмерной среде. Используя только рассуждение, Argon набирает 87%, опережая все остальные передовые модели. DeepMind позиционирует её как универсальную модель физического рассуждения, применимую на всём жизненном цикле робототехники.
Примеры DeepMind относятся к четырём направлениям: управление роботами, Real2Sim, физическое понимание и исследования с самосовершенствованием. В одной демонстрации Argon управляет четвероногим роботом Boston Dynamics Spot с шестистепенным манипулятором, чтобы освоить новый навык. Она строит сочленённый цифровой двойник мусорного ведра с педалью в MuJoCo, отрабатывает движения в симуляции, а затем нажимает на настоящую педаль и бросает в ведро банки из-под газировки.
В примере управления без предварительного обучения Argon направляет простой роботизированный манипулятор, чтобы поставить упавшую кружку вертикально и положить внутрь смятую салфетку. Она рассуждает с помощью визуального координатного каркаса и примитивов действий в несколько шагов, чтобы выполнить задачу. Примеры показывают, как модель может переходить от симуляции к реальному оборудованию при минимальном обучении под конкретную задачу.
Источник: Google DeepMind Blog · Сводку подготовил HeadlinesBriefing