谷歌DeepMind推出了Gemini 4 Argon,该模型在物理理解、代码生成和视觉语义推理方面实现了阶跃式提升。公司表示,该模型旨在为整个机器人技术栈开启新的工作流程,并加速实现物理通用人工智能(physical AGI)。
该模型的能力通过具身推理(ERQA)基准测试进行衡量,该测试考察模型在三维环境中理解和解决物理空间问题的能力。仅凭纯推理,Argon便取得了87%的成绩,超过了所有其他前沿模型。DeepMind将其定位为通用物理推理模型,可应用于整个机器人生命周期。
DeepMind的示例涵盖四个领域:机器人控制、Real2Sim、物理理解,以及研究与自我改进。在一次演示中,Argon控制配备六自由度机械臂的Boston Dynamics Spot四足机器人学习一项新技能。它先构建了一个脚踏式垃圾桶的关节式MuJoCo数字孪生模型,在仿真中练习动作,然后踩下真实的脚踏板,将汽水罐投入垃圾桶。
在一个零样本控制示例中,Argon指挥一台简单的机械臂将倒下的杯子扶正,并把揉皱的餐巾纸放入其中。它借助视觉坐标框架和动作基元,经过多轮推理完成任务。这些示例表明,该模型只需极少的任务专项训练,即可从仿真迁移到真实硬件。
来源: Google DeepMind Blog · 由HeadlinesBriefing整理摘要