Gemini Robotics 2 brings whole body intelligence to robots

一次发布，三个模型

DeepMind 把 Gemini Robotics 2 描述成「下一代可适应机器人的智能层」，它实际上由三个分工不同的模型组成：

• Gemini Robotics 2：视觉-语言-动作模型（VLA），把视觉与语言输入转成电机控制。这一代第一次能控制整个人形机器人——从脚到指尖——而不只是桌面范围内的上半身，同时也支持双臂机器人。
• Gemini Robotics ER 2：具身推理模型（VLM），充当机器人的高层大脑，与人对话、理解物理环境、规划持续数分钟、包含数百个决策的多步任务，并把电机执行交给下层的 VLA。
• Gemini Robotics On-Device 2：为机器人本机运行优化的 VLA，在没有网络或不能容忍网络延迟的场景下工作。它继承了 Gemini Robotics 1.5 的动作迁移技术，适配一个全新的双臂形态只需要几小时、通常不到 200 条示例，即使新形态在外形、传感器和自由度上差异很大。

为什么它读起来是一条智能体信号

ER 2 的工作方式，和这个站点已经在跟踪的那套智能体架构是同一套，只是工具换成了执行器：开发者把底层控制接口——VLA 模型、导航 API——声明为工具，把视频、音频、文本作为多模态流直接送进模型；模型走 Gemini Live API 的双向流式端点，因此可以一边执行一边思考，不必在每一步之间停下来重新规划。它也能原生调用 Google 搜索或任何用户自定义函数。

官方给的演示是用 ER 2 编排 Boston Dynamics Spot 的导航与机械臂 API，代码在 GitHub 上公开。换句话说，读者手上那套关于工具声明、流式上下文、失败自纠的经验，在这里是直接可迁移的。

真正的新东西：判断「这一步做完了没有」

机器人最难的问题之一是知道任务何时结束。ER 2 在两项能力上给了可比的数字：

1. 进度分级——把视频流的每一帧归入五档完成度（0-20%、20-40%……80-100%），准确率 57.4%。这让机器人具备实时的处境感知，能在中途调整或重试失败的某一步，而不必推倒整个流程重来。
2. 时刻定位——找出关键事件发生的确切帧（例如什么时候该停止倒咖啡），准确率 91.3%，平均绝对误差 0.96 秒。官方声称它与体量大得多的模型接近，但只用其中一部分算力、执行速度是它们的 4 倍——而亚秒级延迟正是物理世界里安全操作的下限。

空间理解也一并往前推了一档：成功/失败检测改为在原始视频流而不是静态截图上进行，因此能抓住执行中途的洒落、打滑与错位；仪表读数从圆形表盘扩展到数字显示、线性刻度、直尺和液体温度计，覆盖 10 类仪表。

官方自己标出来的短板

同一张多形态评测图里，DeepMind 写明：全身任务和夹爪类灵巧操作达到中到高的成功率，而多指灵巧操作仍然困难。那张图用的是同一个模型检查点跨三种形态——装 SharpaWave 手的 Apollo 2、装 Inspire 手的 Apollo 2、装 Robotiq 夹爪的 Franka Duo。所以「同一个模型驱动不同身体」这件事是真的，「手已经好用了」这件事还不是。

可获得性分三档

• ER 2：已公开，通过 Gemini API 与 Google AI Studio 面向开发者提供，Gemini Enterprise Agent Platform 上是私有预览。
• VLA 与端侧模型：仅对早期合作伙伴开放。

也就是说，今天真正能上手的是那个推理与编排层，而不是动作层——这恰好也是三个模型里与非机器人开发者关系最大的一个。

安全被写成了可测的东西

随这一代发布的还有 ASIMOV-Agentic 基准，衡量具身推理智能体三件事：能否拒绝来自 VLA 的不安全工具调用、能否预判一个任务在物理上是否可行、以及在不确定时能否主动请求人介入。ER 2 在安全指令遵循与人体接近两项基准上是 DeepMind 迄今最好的模型：有人靠近时能让人形机器人停下，区域清空后自主恢复。

把「不确定时主动要人」写成基准指标，而不是留给上层应用去处理，是这次发布里值得单独记一笔的做法。