2026年11月10日，Google DeepMind正式发布其迄今为止能力最强的视觉‑语言‑动作（Vision‑Language‑Action，VLA）模型——Gemini Robotics 2.5。该模型旨在将视觉感知与自然语言指令直接转化为机器人可执行的运动控制，进一步提升机器人在真实物理世界中的通用灵巧性与可靠性。官方称，Gemini Robotics 2.5在任务广度、学习速度、精细操作与可靠性三个维度实现显著进步，并已在实际工厂环境中完成概念验证。
核心能力升级与评测表现
Gemini Robotics 2.5被定位为“目前最先进的VLA模型”，能够控制从双臂机器人到完整人形机器人的多种形态。它与负责高层规划的Gemini Robotics ER（Embodied Reasoning）模型协同工作：ER模型理解指令与实时视频并制定策略，VLA模型则将计划转化为具体的关节速度、姿态与夹爪控制指令。
官方在超过200项不同任务上对模型进行了评估，涵盖用夹子分发食物、为礼盒系蝴蝶结、用移液器处理液体等需要精细操作的场景。这些任务综合考察了工具使用、柔性物体操控与脆弱物品处理等能力。评测结果显示，相比此前基线，Gemini Robotics 2.5的任务成功率提升30%至100%（视任务类型而定），完成速度提升20%至30%。部分此前几乎无法完成的任务出现明显突破，例如用夹子包装糕点的成功率从约5%提升至100%，关闭工具箱盖从0%提升至93%，解开丝带蝴蝶结从0%提升至70%。
在真实工业场景中，Gemini Robotics 2.5与Apptronik的Apollo 2人形机器人合作，在梅赛德斯‑奔驰位于匈牙利克奇克梅特与德国辛德尔芬根的生产线上完成了概念验证。机器人自主执行汽车零部件的拣选与配料（kitting）任务——从散装料箱中取出金属部件，并按车辆装配所需顺序放入托盘，成功率达到96%。官方认为，这有助于将重复性工作交给机器人，让技术人员聚焦更复杂的装配任务。
模型支持多种机器人形态，包括配备五指、22自由度SharpaWave手部的Apollo 2人形机器人，以及采用双指平行夹爪的Franka Duo平台。它具备全身智能控制能力，可动态调整重心，使机器人能够在复杂环境中安全地迈步、蹲下或弯腰操作。
训练加速与安全考量
DeepMind表示，Gemini 4 Argon在Gemini Robotics 2.5的训练中发挥了重要作用。Argon能够从单视角相机画面生成虚拟练习环境，并回放失败案例以调整策略，从而显著缩短物理数据收集周期，使模型在约四个月内完成能力跃升。
在安全方面，团队增强了障碍物规避与人机共处能力。官方数据显示，在障碍物附近安全完成任务的性能提升约33%，在人员附近提升约43%。同时，DeepMind发布了开源安全基准ASIMOV‑Jailbreak，用于评估模型对“伪装成无害指令的危险请求”的抵抗能力。相关数据集已开放，供研究社区使用。
客观评估与行业影响
Gemini Robotics 2.5的发布，标志着视觉‑语言‑动作模型从实验室演示向真实工业场景迈出实质性一步。96%的工厂配料成功率与多任务成功率提升，显示模型在结构化、可重复的工业环境中已具备较高实用性。精细操作能力的进步（尤其是对柔性与脆弱物体的处理）也缩小了机器人与人类在日常灵巧任务上的差距。
不过，需要保持客观。当前评测数据主要来自官方与合作方的测试，独立第三方的大规模、长期验证仍有限。工厂概念验证虽达到96%成功率，但实际量产环境中的故障模式、长时间运行稳定性以及与人类工人的协同细节仍需进一步观察。模型目前主要面向DeepMind的机器人合作伙伴开放，尚未公布公开API、定价或广泛商用计划。
从产业角度看，Gemini Robotics 2.5强化了“通用物理智能”的技术路径：通过统一的VLA架构适配不同机器人本体，并借助大模型加速仿真与学习。若后续能在更多场景中保持高可靠性，并解决安全、成本与部署门槛问题，将有助于推动人形与双臂机器人从演示走向实际生产辅助。与此同时，开源安全基准的发布也为行业评估具身AI的风险提供了可参考的工具。
总体而言，Gemini Robotics 2.5代表了当前VLA技术在灵巧性与实际落地之间的一次重要进展。它既展示了模型能力的快速迭代，也提醒行业：从实验室成功率到工厂长期稳定运行，仍有工程与安全层面的关键挑战需要持续攻克。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com