Gemini 4 Argon for Robotics

Gemini 4 Argon marks a step change in physical understanding, code generation, and visual-semantic reasoning, unlocking new workflows across the robotics stack and accelerating progress toward physical AGI. On the Embodied Reasoning (ERQA) benchmark, which tests a model's ability to understand and solve physical, spatial problems in 3D environments, Argon scores 87% using pure reasoning, outperforming every other frontier model.

As a general-purpose physical reasoning model, Argon can be applied across the entire robotics lifecycle. The post highlights four key areas: robot control, Real2Sim, physical understanding, and research and self-improvement. In robot control, Argon operates a Boston Dynamics Spot quadruped with a 6-DoF arm to learn a new skill: stepping on a foot-pedal trash bin to dispose of soda cans. It first builds an articulated MuJoCo digital twin of the bin to practice its moves before acting on the physical pedal.

Argon also demonstrates zero-shot control with a simple robotic arm. Using a visual coordinate harness and action primitives, it reorients a fallen mug upright and places a crumpled napkin inside, reasoning over several turns with calibrated wrist-camera feedback. The system uses annotated world coordinates, grasp orientation cues and closed-loop verification to check its actions before committing.

In the Real2Sim area, Argon reconstructs physically calibrated simulation twins from robot camera feeds, egocentric human video, or hand-drawn sketches. Combined with agentic multimodal labeling and iterative self-improvement on hardware, these capabilities point toward robots that learn more autonomously across tasks.

يمثل Gemini 4 Argon نقلة نوعية في الفهم الفيزيائي وتوليد الشيفرات البرمجية والاستدلال البصري الدلالي، مما يفتح سير عمل جديداً عبر منظومة الروبوتات ويسرّع التقدم نحو الذكاء الاصطناعي العام الفيزيائي. وفي اختبار الاستدلال المجسّد (ERQA)، الذي يقيس قدرة النموذج على فهم المسائل الفيزيائية والمكانية وحلها في بيئات ثلاثية الأبعاد، يحقق Argon نسبة 87% باستخدام الاستدلال المحض، متفوقاً على كل النماذج الرائدة الأخرى.

بصفته نموذج استدلال فيزيائي عام الغرض، يمكن تطبيق Argon على دورة حياة الروبوتات بأكملها. ويسلط المنشور الضوء على أربعة مجالات رئيسية: التحكم الروبوتي، وReal2Sim، والفهم الفيزيائي، والبحث والتحسين الذاتي. وفي التحكم الروبوتي، يشغّل Argon روبوت Boston Dynamics Spot رباعي الأرجل مزوداً بذراع ذات 6 درجات حرية، ليتعلم مهارة جديدة: الدوس على دواسة سلة المهملات لرمي علب المشروبات الغازية. ويبني أولاً توأماً رقمياً مفصلياً لسلة المهملات باستخدام MuJoCo ليتدرب على حركاته قبل التصرف على الدواسة الفعلية.

كما يُظهر Argon التحكم بدون أمثلة مسبقة (zero-shot) باستخدام ذراع روبوتية بسيطة. فباستخدام إطار إحداثيات بصري ومجموعة من الأفعال الأولية، يعدّل وضع كوب مقلوب ليعود منتصباً ويضع فيه منديلاً مجعداً، مستنداً إلى الاستدلال عبر عدة جولات مع تغذية راجعة معايرة من كاميرا المعصم. ويستخدم النظام إحداثيات عالمية مُعلّمة، وإشارات لاتجاه القبضة، والتحقق المغلق الحلقة لفحص أفعاله قبل تنفيذها.

وفي مجال Real2Sim، يعيد Argon بناء توائم محاكاة معايرة فيزيائياً انطلاقاً من تغذيات كاميرات الروبوتات، أو فيديوهات بصرية ذاتية لأشخاص، أو رسومات يدوية. وعند دمج هذه القدرات مع الوسم متعدد الوسائط الوكيلي والتحسين الذاتي التكراري على الأجهزة، فإنها تشير إلى روبوتات تتعلم بقدر أكبر من الاستقلالية عبر المهام المختلفة.

Gemini 4 Argon ভৌত বোধ, কোড তৈরি এবং দৃশ্য-অর্থগত যুক্তিতে একটি বড় পরিবর্তন এনেছে, যা রোবোটিক্স স্ট্যাক জুড়ে নতুন কর্মপ্রবাহ উন্মুক্ত করছে এবং ভৌত AGI-এর দিকে অগ্রগতি ত্বরান্বিত করছে। Embodied Reasoning (ERQA) বেঞ্চমার্কে, যা পরীক্ষা করে কোনো মডেল 3D পরিবেশে ভৌত ও স্থানিক সমস্যা বুঝে সমাধান করতে পারে কিনা, Argon শুধু যুক্তির মাধ্যমে 87% স্কোর করেছে এবং অন্য সব অগ্রণী মডেলকে ছাড়িয়ে গেছে।

একটি সাধারণ-উদ্দেশ্যের ভৌত যুক্তি মডেল হিসেবে, Argon রোবোটিক্সের পুরো জীবনচক্রে প্রয়োগ করা যেতে পারে। পোস্টটিতে চারটি মূল ক্ষেত্র তুলে ধরা হয়েছে: রোবট নিয়ন্ত্রণ, Real2Sim, ভৌত বোধ, এবং গবেষণা ও স্ব-উন্নয়ন। রোবট নিয়ন্ত্রণে, Argon একটি 6-DoF বাহুসহ Boston Dynamics Spot চতুষ্পদ রোবট চালায় এবং একটি নতুন দক্ষতা শেখে: ফুট-পেডাল ময়লার ঝুড়ির পেডালে পা রেখে সোডার ক্যান ফেলা। প্রকৃত পেডালে কাজ করার আগে এটি প্রথমে ঝুড়ির একটি সন্ধিযুক্ত MuJoCo ডিজিটাল টুইন তৈরি করে নিজের নড়াচড়া অনুশীলন করে।

Argon একটি সাধারণ রোবোটিক বাহু দিয়ে জিরো-শট নিয়ন্ত্রণও দেখায়। একটি ভিজ্যুয়াল কো-অর্ডিনেট হার্নেস এবং অ্যাকশন প্রিমিটিভ ব্যবহার করে এটি পড়ে যাওয়া একটি মগ সোজা করে এবং একটি কুঁচকানো ন্যাপকিন তার ভেতরে রাখে, কব্জির ক্যামেরা থেকে পাওয়া ক্যালিব্রেটেড ফিডব্যাক নিয়ে কয়েকটি ধাপে যুক্তি দিয়ে। সিস্টেমটি কাজ করার আগে নিজের কর্ম যাচাই করতে অ্যানোটেটেড বিশ্ব-স্থানাঙ্ক, গ্রিপ ওরিয়েন্টেশন সংকেত এবং ক্লোজড-লুপ যাচাই ব্যবহার করে।

Real2Sim ক্ষেত্রে, Argon রোবটের ক্যামেরা ফিড, মানুষের প্রথম-পুরুষ ভিডিও বা হাতে আঁকা স্কেচ থেকে ভৌতভাবে ক্যালিব্রেটেড সিমুলেশন টুইন পুনর্গঠন করে। এজেন্টিক মাল্টিমোডাল লেবেলিং এবং হার্ডওয়্যারে পুনরাবৃত্ত স্ব-উন্নয়নের সঙ্গে মিলিয়ে এই সক্ষমতাগুলো এমন রোবটের দিকে ইঙ্গিত করে যারা বিভিন্ন কাজ জুড়ে আরও স্বায়ত্তশাসিতভাবে শেখে।

Gemini 4 Argon markiert einen Sprung beim physischen Verständnis, bei der Codegenerierung und beim visuell-semantischen Schlussfolgern. Damit eröffnen sich neue Arbeitsabläufe im gesamten Robotik-Stack und das Vorankommen in Richtung physischer AGI wird beschleunigt. Im Embodied-Reasoning-Benchmark (ERQA), der misst, wie gut ein Modell physische und räumliche Probleme in 3D-Umgebungen versteht und löst, erreicht Argon allein durch reines Schlussfolgern 87 % und übertrifft damit alle anderen Spitzenmodelle.

Als universelles Modell für physisches Schlussfolgern lässt sich Argon im gesamten Lebenszyklus der Robotik einsetzen. Der Beitrag hebt vier zentrale Bereiche hervor: Robotersteuerung, Real2Sim, physisches Verständnis sowie Forschung und Selbstverbesserung. Bei der Robotersteuerung betreibt Argon einen Boston Dynamics Spot Vierbeiner mit einem 6-DoF-Arm, um eine neue Fähigkeit zu erlernen: auf das Fußpedal eines Mülleimers treten, um Getränkedosen zu entsorgen. Bevor es das echte Pedal betätigt, baut es zunächst einen artikulierten MuJoCo-Digitalen-Zwilling des Mülleimers, um seine Bewegungen zu üben.

Argon zeigt außerdem Zero-Shot-Steuerung mit einem einfachen Roboterarm. Mithilfe eines visuellen Koordinatengerüsts und Aktionsprimitiven richtet es eine umgefallene Tasse auf und legt eine zerknüllte Serviette hinein. Dabei schlussfolgert es über mehrere Schritte hinweg anhand kalibrierten Feedbacks der Handgelenkkamera. Das System nutzt annotierte Weltkoordinaten, Hinweise zur Greifausrichtung und eine geschlossene Verifikationsschleife, um seine Aktionen vor der Ausführung zu prüfen.

Im Bereich Real2Sim rekonstruiert Argon physikalisch kalibrierte Simulations-Zwillinge aus Kamerabildern von Robotern, egozentrischen Videos von Menschen oder handgezeichneten Skizzen. In Verbindung mit agentischer multimodaler Annotation und iterativer Selbstverbesserung auf echter Hardware weisen diese Fähigkeiten auf Roboter hin, die aufgabenübergreifend zunehmend autonom lernen.

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.

Gemini 4 Argon marque un véritable changement dans la compréhension physique, la génération de code et le raisonnement visuo-sémantique, ouvrant de nouveaux flux de travail à l'ensemble de la pile robotique et accélérant les progrès vers une AGI physique. Sur le benchmark de raisonnement incarné (ERQA), qui évalue la capacité d'un modèle à comprendre et à résoudre des problèmes physiques et spatiaux dans des environnements 3D, Argon obtient 87 % grâce au seul raisonnement, devançant tous les autres modèles de pointe.

En tant que modèle de raisonnement physique polyvalent, Argon peut être appliqué à l'ensemble du cycle de vie de la robotique. L'article met en avant quatre domaines clés : le contrôle robotique, Real2Sim, la compréhension physique, ainsi que la recherche et l'auto-amélioration. Pour le contrôle robotique, Argon pilote un quadrupède Boston Dynamics Spot équipé d'un bras à 6 degrés de liberté afin d'apprendre une nouvelle compétence : marcher sur la pédale d'une poubelle pour jeter des canettes de soda. Il construit d'abord un jumeau numérique articulé de la poubelle sous MuJoCo afin de s'entraîner à ses mouvements avant d'agir sur la pédale réelle.

Argon démontre également un contrôle zero-shot avec un bras robotique simple. À l'aide d'un cadre de coordonnées visuelles et de primitives d'action, il redresse une tasse renversée et y place une serviette froissée, en raisonnant sur plusieurs tours avec un retour calibré de la caméra du poignet. Le système s'appuie sur des coordonnées mondiales annotées, des indices d'orientation de prise et une vérification en boucle fermée pour contrôler ses actions avant de les exécuter.

Dans le domaine Real2Sim, Argon reconstruit des jumeaux de simulation physiquement calibrés à partir des flux de caméras de robots, de vidéos égocentriques de personnes ou de croquis à la main. Combinées à un étiquetage multimodal agentique et à une auto-amélioration itérative sur le matériel, ces capacités annoncent des robots capables d'apprendre de manière plus autonome d'une tâche à l'autre.

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।

Gemini 4 Argon menandai lompatan besar dalam pemahaman fisik, pembuatan kode, dan penalaran visual-semantik, membuka alur kerja baru di seluruh tumpukan robotika serta mempercepat kemajuan menuju AGI fisik. Pada benchmark Embodied Reasoning (ERQA), yang menguji kemampuan model dalam memahami dan memecahkan masalah fisik serta spasial di lingkungan 3D, Argon meraih 87% hanya dengan penalaran murni, mengungguli setiap model frontier lainnya.

Sebagai model penalaran fisik serbaguna, Argon dapat diterapkan di seluruh siklus hidup robotika. Artikel ini menyoroti empat bidang utama: kontrol robot, Real2Sim, pemahaman fisik, serta riset dan peningkatan diri. Dalam kontrol robot, Argon mengoperasikan robot berkaki empat Boston Dynamics Spot dengan lengan 6-DoF untuk mempelajari keterampilan baru, yaitu menginjak pedal tempat sampah untuk membuang kaleng soda. Sebelum bertindak pada pedal sungguhan, Argon terlebih dahulu membangun kembaran digital MuJoCo yang artikulatif dari tempat sampah tersebut untuk berlatih gerakannya.

Argon juga menunjukkan kontrol zero-shot dengan lengan robot sederhana. Dengan menggunakan kerangka koordinat visual dan primitif aksi, ia menegakkan kembali cangkir yang terjatuh dan memasukkan serbet yang kusut ke dalamnya, bernalar melalui beberapa putaran dengan umpan balik kamera pergelangan tangan yang terkalibrasi. Sistem ini menggunakan koordinat dunia yang beranotasi, isyarat orientasi genggaman, dan verifikasi loop tertutup untuk memeriksa tindakannya sebelum dijalankan.

Di bidang Real2Sim, Argon merekonstruksi kembaran simulasi yang terkalibrasi secara fisik dari umpan kamera robot, video egosentris manusia, atau sketsa tangan. Dikombinasikan dengan pelabelan multimodal agentik dan peningkatan diri iteratif pada perangkat keras, kemampuan ini mengarah pada robot yang belajar lebih mandiri di berbagai tugas.

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。

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.

Gemini 4 Argon знаменует качественный скачок в физическом понимании, генерации кода и визуально-семантических рассуждениях, открывая новые рабочие процессы во всём стеке робототехники и ускоряя прогресс к физическому AGI. В тесте воплощённых рассуждений (ERQA), который оценивает способность модели понимать и решать физические и пространственные задачи в трёхмерной среде, Argon набирает 87% только за счёт рассуждений, опережая все остальные передовые модели.

Как универсальная модель физических рассуждений, Argon может применяться на всех этапах жизненного цикла робототехники. В публикации выделены четыре ключевых направления: управление роботами, Real2Sim, физическое понимание и исследования с самосовершенствованием. В управлении роботами Argon управляет четырёхногим роботом Boston Dynamics Spot с 6-степенным манипулятором и осваивает новый навык: наступать на педаль мусорного бака, чтобы выбросить банки из-под газировки. Прежде чем действовать на реальной педали, он строит сочленённый цифровой двойник бака в MuJoCo и отрабатывает движения на нём.

Argon также демонстрирует управление без предварительного обучения (zero-shot) с простым роботизированным манипулятором. Используя визуальную систему координат и примитивы действий, он выпрямляет упавшую кружку и кладёт внутрь смятую салфетку, рассуждая в несколько шагов с калиброванной обратной связью от камеры на запястье. Система опирается на размеченные мировые координаты, подсказки об ориентации захвата и проверку в замкнутом контуре, прежде чем выполнить действие.

В направлении Real2Sim Argon восстанавливает физически откалиброванные симуляционные двойники по видеопотоку роботов, видео от первого лица с участием людей или рисункам от руки. В сочетании с агентной мультимодальной разметкой и итеративным самосовершенствованием на реальном оборудовании эти возможности указывают на роботов, которые учатся всё более самостоятельно в разных задачах.

Gemini 4 Argon在物理理解、代码生成和视觉-语义推理方面实现了质的飞跃,为机器人技术栈解锁了新的工作流程,并加速了通向物理通用人工智能(AGI)的进程。在具身推理(ERQA)基准测试中,该基准考察模型在三维环境中理解和解决物理、空间问题的能力,Argon仅凭纯推理就获得了87%的分数,超过了所有其他前沿模型。

作为一种通用的物理推理模型,Argon可应用于整个机器人生命周期。该文章重点介绍了四个关键领域:机器人控制、Real2Sim、物理理解,以及研究与自我改进。在机器人控制方面,Argon操控一台配备6自由度机械臂的Boston Dynamics Spot四足机器人,学会了一项新技能:踩下脚踏式垃圾桶的踏板,丢弃汽水罐。在对实体踏板采取行动之前,它会先构建该垃圾桶的关节式MuJoCo数字孪生,用以练习动作。

Argon还展示了使用简单机械臂的零样本控制能力。借助视觉坐标框架和动作基元,它能够将倒下的马克杯扶正,并把揉皱的餐巾纸放入杯中,并结合经过校准的腕部摄像头反馈进行多轮推理。该系统使用带注释的世界坐标、抓取方向提示以及闭环验证,在执行前检查自身动作。

在Real2Sim领域,Argon能够根据机器人摄像头画面、第一人称人类视频或手绘草图,重建经过物理校准的仿真孪生体。结合智能体式多模态标注以及在硬件上的迭代自我改进,这些能力预示着机器人将能够跨任务更加自主地学习。