Gemini Robotics ER 2：借助视频理解、任务编排与多机器人协作赋能机器人

Google DeepMind 推出了 Gemini Robotics ER 2，这是一款用于机器人的具身推理模型，充当机器人的高级大脑。它可以与人对话，理解物理世界，规划多步骤任务，并将电机执行交给底层视觉-语言-动作（VLA）模型。该模型原生调用诸如 Google 搜索或用户自定义函数等工具。相较 ER 1.6，它通过处理连续视频流来跟踪进度、适应失败并判断任务完成情况，从而实现了改进。多机器人协作功能被引入，使得不同类型的机器人能够协同工作。Gemini Robotics ER 2 在进度分类任务上达到 57.4% 的准确率，在瞬间定位任务上达到 91.3% 的准确率，且延迟低于亚秒级。它在安全基准测试上优于之前的模型，包括当有人靠近时让人形机器人停止动作。该模型可通过 Gemini 应用程序接口、Google 人工智能工作室公开获取，并可通过 Gemini 企业智能体平台以私有预览版形式获取。