Google опубликовала на Developers Blog 13 октября 2026 года разбор Gemini 4 Argon — модели для физического рассуждения и робототехники. На бенчмарке ERQA, тесте на понимание физических и пространственных задач в 3D, Argon набрала 87% чистым рассуждением, без внешних инструментов. Главная часть публикации — конвейер real2sim: по одной фотографии или даже эскизу модель строит откалиброванную цифровую копию сцены в симуляторе MuJoCo, генерирует на ней тысячи эпизодов для дообучения VLA-политики, а реальный робот затем подтверждает прирост на настоящем железе. Готового продукта с API в материале нет: пока это разбор с промптами и видео-демо.

image

Что произошло

В разборе Google показала несколько демонстраций. Argon управляла четвероногим роботом Spot от Boston Dynamics с 12 степенями свободы в ногах и 6 на руке: модель сначала отрепетировала движение на артикулированной цифровой копии мусорного ведра с педалью в MuJoCo, а затем настоящий Spot наступил на педаль и выбросил банки, и перед этим два агента-верификатора, foot-verifier и hand-verifier, проверили план действий. Простой манипулятор с камерой на запястье по командам Argon поднял упавшую кружку и положил в неё скомканную салфетку. По рисунку от руки модель собрала симуляцию гуманоида на 76 степеней свободы: тело 32-DoF, две руки по 22-DoF с пятью пальцами, бросок мяча в пирамиду из шести коробок. На реальном сценарии с двумя манипуляторами Franka FR3 одна фотография рабочего места превратилась в откалиброванную MuJoCo-сцену на 77 задач и более 4500 доменно-рандомизированных эпизодов, на которой дообучили VLA-модель: на реальном железе success rate вырос с 56% до 75%, а задача ускорилась с 35 до 24 секунд — без дополнительного физического времени робота. Отдельно показана автоматическая разметка 136 секунд записи ALOHA 2, где робот складывает бумажную лису, на 6 семантических подзадач и 17 атомарных движений с пометками неудачных попыток; на манипуляторе SO-101 за три итерации задача с кубиком LEGO ускорилась с 58,9 до 17,4 секунды.

Контекст

Сбор реальных данных — историческое узкое место робототехники: VLA-политики, управляющие действиями робота на основе наблюдений и команд, дообучаются на эпизодах, которые физический робот должен отработать сам, и каждый такой эпизод стоит робо-времени. Подход real2sim переворачивает последовательность: сначала создаётся цифровая копия сцены, в ней генерируются вариации задачи — в разборе такие эпизоды названы доменно-рандомизированными, — затем политика дообучается в симуляции, и на реальное железо выносится только финальная проверка. MuJoCo — физический симулятор, давно применяемый в робототехнике, поэтому шагом, который демонстрирует Google, является не сама симуляция, а автоматизация построения откалиброванного двойника по одной фотографии или эскизу и мультиагентная верификация перед опасными действиями. ERQA при этом меряет не управление, а понимание: способность модели рассуждать о физических и пространственных задачах в 3D без обращения к внешним инструментам.

Почему это важно для индустрии

Для команд, строящих робототехнические и VLA-системы, пост показывает переносимый инженерный конвейер: фотография рабочего места, откалиброванная MuJoCo-сцена, тысячи доменно-рандомизированных эпизодов, дообученная VLA-политика с измеримой проверкой на железе. Если подобные приросты воспроизводятся на новых сценах, экономика подготовки политик смещается от реального робо-времени к вычислениям в симуляторе и калибровке сцен, а дефицит реальных эпизодов перестаёт быть главным ограничением. Второй прямой инструмент — автоматическая разметка накопленных записей: деление операции на подзадачи и атомарные примитивы с пометками неудач превращает архивы видео в обучающие датасеты без ручной аннотации. Команды, у которых уже есть физические роботы и записи операций, могут воспроизводить связку «разметка видео, репетиция в MuJoCo-двойнике, синтетические эпизоды для дообучения» на имеющемся стеке, не дожидаясь доступности Argon. Если Google откроет модель через API, вероятно оформление категории robotics data prep: автопереложение робо-видео в размеченные датасеты и генерация синтетических данных для VLA-политик.

Почему это важно для пользователей

Прочитать полный разбор с промптами и посмотреть официальные видео-демо — Spot с педальным мусорным ведром, ALOHA 2 с оригами и SO-101 с кубиком LEGO — можно прямо в посте на Google Developers Blog. Использовать Argon как продукт пока нельзя: в источнике нет API, цен и требований к железу. Практикам доступен сам паттерн: сначала репетиция навыка в MuJoCo-близнеце реальной сцены, затем перенос на железо с верификацией перед финальным действием. Тем, кто эксплуатирует роботов и копит записи операций, полезна та же схема с другой стороны — размечать записи автоматически и дообучать политику на симуляции, экономя реальное робо-время. Для остальных это ранний образец того, как порог программирования физических агентов может снижаться до уровня «описал или нарисовал задачу».

Что пока неизвестно / ограничения

Материал — блог-пост с промптами и видео, а не технический отчёт: в источнике нет полного описания методики, кода, API, цен и требований к железу. Заявление о превосхождении над любой другой передовой моделью на ERQA принадлежит Google и не подкреплено таблицей сравнения или методикой. Для симуляций, построенных по фотографии или эскизу, не раскрыты метрики точности реконструкции и величина sim-to-real зазора, поэтому слово «откалиброванная» остаётся декларацией. Вывод об удешевлении обучающих данных опирается на один кейс — рабочее место с двумя Franka FR3, одна задача, прирост 19 процентных пунктов — и не имеет бейзлайна, например VLA-модели, дообученной на равном объёме реальных данных. Все демонстрации сняты самим Google, независимых проверок в источнике нет; даже в показанном кейсе success rate доведён лишь до 75%, то есть четверть попыток всё ещё заканчивается неудачей.

Источники

Автор

Look at AI, редакция