推出Gemini Robotics ER 2
内容提要
谷歌发布Gemini Robotics ER 2，这是其最先进的机器人“具身推理”模型，旨在提升机器人的实时决策与多步任务规划能力。该模型支持视频理解、进度追踪、工具调用及多机器人协作，并显著增强了空间推理与安全性。开发者现可通过Gemini API等平台使用，其性能在多项基准测试中超越前代。
延伸解读
从“感知”到“执行”的桥梁
Gemini Robotics ER 2 并非直接控制机器人动作，而是作为“高层大脑”负责理解、规划和决策，再将指令传递给底层的视觉-语言-动作（VLA）模型。这种设计让开发者可以灵活组合不同的控制接口，例如导航API或VLA模型，从而适配多种机器人硬件。文章强调，该模型通过工具调用和实时视频流，实现了边思考边执行，减少了传统“停下思考”的延迟，这对于物理世界的实时交互至关重要。
任务进度追踪：从“做”到“做对”
文章指出，机器人面临的一大挑战是判断任务是否完成。Gemini Robotics ER 2 通过连续视频流进行进度分类（将任务进度分为五档）和关键时刻定位（如倒咖啡何时停止），准确率分别达到57.4%和91.3%。这意味着机器人能实时感知自身进度，在出错时局部重试，而无需从头开始。这种“时间智能”对于多步骤任务（如拧灯泡、系垃圾袋）的可靠性至关重要。
多机器人协作与安全考量
该模型支持多机器人协作，通过共享语义理解，让不同形态的机器人（如轮式机器人和人形机器人）协同完成复杂任务。安全方面，Gemini Robotics ER 2 在安全指令遵循和人类接近检测基准上表现优异，能在人靠近时暂停动作，人离开后自动恢复。文章还提到，他们引入了新的基准来评估模型作为安全VLA编排器的能力，强调在物理世界中安全约束的重要性。
Q&A
Gemini Robotics ER 2是什么？
Gemini Robotics ER 2是谷歌推出的最先进的机器人“具身推理”模型，作为机器人的高级大脑，它能让机器人理解物理世界、与人类对话、规划多步任务，并将动作执行交给底层的视觉-语言-动作（VLA）模型。
Gemini Robotics ER 2相比前代有哪些提升？
相比前代ER 1.6，ER 2在视频理解、进度追踪、工具编排、空间推理和安全性方面有显著提升，并新增了多机器人协作能力。
Gemini Robotics ER 2如何实现实时决策？
它通过集成到Gemini Live API，使用双向流式端点优化延迟，使模型能够边思考边执行，避免“停下来思考”的停顿，从而实现流畅的实时决策。
Gemini Robotics ER 2在进度分类和时刻查找上的性能如何？
在进度分类任务上，准确率达到57.4%；在时刻查找任务上，准确率为91.3%，平均绝对距离为0.96秒，且计算成本更低，执行速度是前代的4倍。
Gemini Robotics ER 2如何支持多机器人协作？
它通过共享语义理解，让不同类型的机器人（如轮式机器人和人形机器人）能够通信和交接任务，从而完成单个机器人无法完成的复杂工作流程。
Gemini Robotics ER 2在安全性方面有哪些改进？
它在安全指令遵循和人类接近检测基准上取得显著进步，能检测到附近的人并暂停机器人，待人员离开后自动恢复工作。此外，还引入了新的安全基准来评估模型作为安全VLA编排器的能力。
开发者如何获取和使用Gemini Robotics ER 2？
开发者可以通过Gemini API、Google AI Studio以及Gemini Enterprise Agent Platform（私有预览）获取该模型，并参考官方提供的配置和提示示例来构建物理AI应用。
