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。
来源: Hacker News · 由HeadlinesBriefing整理摘要