Gemini 4 Argon可将任意图片或视频生成机器人训练世界

Google 展示了 Gemini 4 Argon 如何将一张照片、一幅草图或一段视频转化为机器人训练仿真,不过搭建过程仍需人工参与。

3 min read

Gemini 4 Argon可将任意图片或视频生成机器人训练世界

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

2026 年 10 月 15 日,Google 发布了 Gemini 4 Argon。这是一款单一的机器人模型,能够控制机器人,根据照片、草图和视频生成训练仿真,并审阅训练录像。这一点意义重大,因为 Google 正试图将多个机器人开发环节整合进一个系统。但其自家演示也表明,Argon 仍依赖详细的人工提示词、额外的验证智能体以及付费的开发者访问权限。

Google 展示了什么

Google 的演示核心在于先仿真、后实操。在一个示例中,一台 Boston Dynamics Spot 机器人先在场景的虚拟副本中练习如何踩下垃圾桶踏板并扔掉汽水罐,然后才在真实硬件上尝试。在另一个示例中,Argon 仅凭一张杂乱桌面的照片就创建了复刻场景,自行设计了 77 项任务,并生成了超过 4,500 个训练回合。Google 称,这让一台真实机器人的成功率从 56% 提升到 75%,执行时间从 35 秒缩短到 24 秒。Argon 还能将遥操作录像、第一人称人类视频,甚至一幅钢笔草图转化为仿真机器人任务。

工作台前的机器狗正在观看一个微缩训练场,墙上挂着 Boston Dynamics 的标志。
在真实运行之前,一幅粗略草图变成了一个小型机器人沙盒。

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

Google 还展示了 Argon 作为视频世界模型 Gemini Omni 的规划器。在这一设置中,Argon 为机器人手编写带时间戳的指令,检查生成的视频帧,并调整下一步操作,直到机器人手将字母块排列成 ARGON。在另一个机械臂演示中,Argon 在审阅自身日志和图像后重试了一项失败的乐高摆放任务,用时从第一次的 58.9 秒缩短到第三次的 17.4 秒。Google 表示,Argon 还能将已发表的机器人论文复现为基于浏览器的仿真,目前已构建了 68 个此类沙盒。

结果说明了什么,目前谁能使用

Google 宣传中最有力的一点是覆盖面广:一个模型同时负责控制、仿真和数据评估。最大的不足在于,背后的人工搭建痕迹依然明显。Google 公布的示例提示词包含坐标网格、预设命令、冗长的限制条件列表,部分演示中还有在机器人行动前核验位置的辅助智能体。Google 称 Argon 在具身推理基准 ERQA 上得分 87%,但在 Artificial Analysis 的 AA-Robotics 基准上,它以 55/100 的成绩位列第三,落后于得分 69 的 GPT-6 Astra 和得分 65 的 GPT-6.1 Sol。开发者现在可以通过 Google AI Studio 和 Antigravity(面向 Google AI Ultra 订阅用户)以及 Gemini API 付费层级使用 Argon。

Google 引用的具身推理 ERQA 得分
Gemini 4 Argon87%
Claude Opus 5.582.3%
GPT-6 Astra81%
Claude Fable 5.174%
来源中引用的 Google ERQA 基准测试结果

对机器人团队而言,实际意义并不在于一个模型现在就能取代整个技术栈,而在于 Google 正全力朝这个目标推进。Argon 在生成练习环境、测试行动计划以及在训练前审阅演示数据方面已显得颇为实用。尚待解答的问题是:在没有专家设计提示词的情况下,这些工作流的成功率有多高,以及在精心编排的演示之外,它们的表现能否站得住脚。

Gemini OmniGoogle 在一个 Argon 演示中将 Gemini Omni 用作视频世界模型。如果你想探索该工作流中的场景生成部分,这是我们工具目录中最贴近的一款工具。

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 新闻