Gemini 4 Argon bouwt trainingswerelden voor robots uit elke foto of video
Google liet zien hoe Gemini 4 Argon een foto, schets of video omzet in trainingssimulaties voor robots, al vergde de opzet nog steeds menselijk werk.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Op 15 oktober 2026 presenteerde Google Gemini 4 Argon als één robotica-model dat robots kan aansturen, trainingssimulaties kan genereren uit foto's, schetsen en video's, en trainingsbeelden kan beoordelen. Dat is belangrijk omdat Google meerdere stappen in robotica wil samenvoegen tot één systeem. Toch laten de eigen demo's van Google ook zien dat Argon nog afhankelijk is van gedetailleerde menselijke prompts, extra verificatie-agents en betaalde toegang voor ontwikkelaars.
Wat Google liet zien
De demo's van Google draaiden om simulatie vóór actie in de echte wereld. In één voorbeeld oefende een Spot-robot van Boston Dynamics in een virtuele kopie van de omgeving hoe hij op het pedaal van een vuilnisbak moest trappen en een frisdrankblikje moest weggooien, voordat hij het op echte hardware probeerde. In een ander voorbeeld nam Argon één foto van een rommelige tafel, bouwde daar een replica van, bedacht 77 taken en genereerde meer dan 4.500 trainingsepisodes. Volgens Google steeg het slagingspercentage van een echte robot daardoor van 56 naar 75 procent en daalde de uitvoeringstijd van 35 naar 24 seconden. Argon zette ook teleoperatiebeelden, video vanuit menselijk perspectief en zelfs een pentekening om in gesimuleerde robottaken.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Google liet Argon ook optreden als planner voor Gemini Omni, een videowereldmodel. In die opstelling schreef Argon instructies met tijdstempels voor robothanden, controleerde het de resulterende videoframes en stuurde het de volgende stap bij, totdat de handen lettertegels zo hadden gelegd dat ze ARGON vormden. In een aparte demo met een robotarm probeerde Argon een mislukte Lego-plaatsingstaak opnieuw na het bekijken van zijn eigen logs en beelden, en ging het van 58,9 seconden bij de eerste poging naar 17,4 seconden bij de derde. Volgens Google kan Argon ook gepubliceerde robotica-papers nabouwen als simulaties in de browser; tot nu toe zijn er 68 van zulke sandboxes gemaakt.
Wat de resultaten zeggen, en wie het nu kan gebruiken
Het sterkste punt van Google's verhaal is de breedte: één model voor aansturing, simulatie en data-evaluatie. Het grootste voorbehoud is hoeveel ondersteunende structuur er nog doorheen schemert. Google publiceerde voorbeeldprompts met coördinatenrasters, vooraf gebouwde commando's, lange lijsten met beperkingen en, in sommige demo's, hulpagents die posities controleren voordat de robot in actie komt. Volgens Google scoorde Argon 87 procent op de ERQA-benchmark voor belichaamd redeneren, maar op de AA-Robotics-benchmark van Artificial Analysis eindigde het als derde met 55 van de 100, achter GPT-6 Astra met 69 en GPT-6.1 Sol met 65. Ontwikkelaars kunnen Argon nu gebruiken in Google AI Studio en Antigravity als ze een Google AI Ultra-abonnement hebben, en via de betaalde laag van de Gemini API.
Voor roboticateams is de praktische conclusie niet dat één model nu de hele stack vervangt. Wel dat Google hard op dat doel afstevent, en dat Argon nu al nuttig lijkt voor het genereren van oefenomgevingen, het testen van actieplannen en het beoordelen van demonstraties vóór de training. De open vragen zijn hoe vaak deze workflows werken zonder promptontwerp door experts, en hoe goed ze standhouden buiten zorgvuldig geënsceneerde demo's.
Gemini OmniGoogle gebruikte Gemini Omni als videowereldmodel in één Argon-demo. Wil je de kant van die workflow verkennen waarin scènes worden gegenereerd, dan is dit de best passende tool in onze catalogus.

