Gemini 4 Argon tworzy światy do trenowania robotów z dowolnego zdjęcia lub wideo

Google pokazał, jak Gemini 4 Argon zamienia zdjęcie, szkic lub wideo w symulacje treningowe dla robotów, choć konfiguracja wciąż wymagała pracy człowieka.

3 min read

Gemini 4 Argon tworzy światy do trenowania robotów z dowolnego zdjęcia lub wideo

Illustration made on Lumeta with GPT Image 2.5Make one like it

15 października 2026 r. Google zaprezentował Gemini 4 Argon, jeden model robotyczny, który potrafi sterować robotami, generować symulacje treningowe ze zdjęć, szkiców i nagrań wideo oraz oceniać materiał treningowy. To ważne, bo Google próbuje połączyć kilka etapów pracy nad robotami w jednym systemie. Jego własne pokazy dowodzą jednak, że Argon nadal zależy od szczegółowych promptów pisanych przez ludzi, dodatkowych agentów weryfikujących i płatnego dostępu dla deweloperów.

Co pokazał Google

Pokazy Google koncentrowały się na wykorzystaniu symulacji przed działaniem w prawdziwym świecie. W jednym przykładzie robot Spot od Boston Dynamics ćwiczył w wirtualnej kopii sceny, jak nadepnąć na pedał kosza i wyrzucić puszkę po napoju, zanim spróbował tego na prawdziwym sprzęcie. W innym Argon na podstawie jednego zdjęcia zagraconego stołu stworzył replikę sceny, wymyślił 77 zadań i wygenerował ponad 4500 epizodów treningowych. Według Google podniosło to skuteczność prawdziwego robota z 56 do 75 procent i skróciło czas wykonania z 35 do 24 sekund. Argon zamieniał też w symulowane zadania dla robotów nagrania z teleoperacji, wideo z perspektywy pierwszej osoby, a nawet szkic wykonany długopisem.

Robot-szczeniak przy stole warsztatowym obserwuje miniaturową arenę treningową; na ścianie logo Boston Dynamics.
Zgrubny szkic zamienia się w małą piaskownicę dla robota przed próbą w realnym świecie.

Illustration made on Lumeta with GPT Image 2.5Make one like it

Google pokazał również Argona w roli planisty dla Gemini Omni, wideo-modelu świata. W tym układzie Argon pisał instrukcje ze znacznikami czasu dla robotycznych dłoni, sprawdzał powstałe klatki wideo i korygował kolejny krok, aż dłonie ułożyły z płytek z literami słowo ARGON. W osobnym pokazie z ramieniem robotycznym Argon ponowił nieudane zadanie umieszczenia klocka Lego po przeanalizowaniu własnych logów i obrazów, skracając czas z 58,9 sekundy w pierwszej próbie do 17,4 sekundy w trzeciej. Google twierdzi, że Argon potrafi też odtwarzać opublikowane prace naukowe z robotyki jako symulacje w przeglądarce. Do tej pory powstało 68 takich piaskownic.

Co mówią wyniki i kto może z tego korzystać już teraz

Najmocniejszą stroną oferty Google jest jej zakres: jeden model do sterowania, symulacji i oceny danych. Największe zastrzeżenie dotyczy tego, jak wiele rusztowania wciąż widać. Google opublikował przykładowe prompty zawierające siatki współrzędnych, gotowe polecenia, długie listy ograniczeń, a w niektórych pokazach także agentów pomocniczych, którzy weryfikują pozycje, zanim robot zacznie działać. Według Google Argon uzyskał 87 procent w benchmarku ERQA dotyczącym ucieleśnionego rozumowania, ale w benchmarku AA-Robotics od Artificial Analysis zajął trzecie miejsce z wynikiem 55 na 100, za GPT-6 Astra (69) i GPT-6.1 Sol (65). Deweloperzy mogą już korzystać z Argona w Google AI Studio i Antigravity w ramach subskrypcji Google AI Ultra oraz przez płatny plan Gemini API.

Wyniki ERQA dla ucieleśnionego rozumowania podawane przez Google
Gemini 4 Argon87%
Claude Opus 5.582.3%
GPT-6 Astra81%
Claude Fable 5.174%
Wyniki benchmarku ERQA od Google cytowane w źródle

Dla zespołów zajmujących się robotyką praktyczny wniosek nie brzmi tak, że jeden model zastępuje teraz cały stos technologiczny. Chodzi raczej o to, że Google mocno zmierza w tym kierunku, a Argon już teraz wydaje się przydatny do generowania środowisk treningowych, testowania planów działania i przeglądania demonstracji przed treningiem. Otwarte pozostają pytania, jak często te procesy działają bez eksperckiego projektowania promptów i jak sprawdzają się poza starannie zaaranżowanymi pokazami.

Gemini OmniW jednym z pokazów Argona Google użył Gemini Omni jako wideo-modelu świata. Jeśli chcesz poznać część tego procesu związaną z generowaniem scen, to najbliższe pasujące narzędzie w naszym katalogu.

Every top AI model, in one place

Nano Banana 2, GPT Image 2.5, Seedance, Veo and more, all on one credit balance. Start free with 35 credits a month. No card needed.

All tools for "From a description"

More from Lumeta

All Aktualności