Gemini Robotics

Gemini Robotics (Google DeepMind VLA, 2025)入门必知

谷歌 DeepMind 2025 年基于 Gemini 2.0 推出的 VLA，能直接控制机器人做灵巧操作。

Gemini Robotics 是谷歌 DeepMind 于 2025 年 3 月 12 日发布的视觉-语言-动作模型，建立在多模态大模型 Gemini 2.0 之上；同时发布的 Gemini Robotics-ER 侧重空间理解和具身推理（如物体检测、轨迹和抓取预测）。它的目标是把大模型的通用理解带进物理世界，官方强调三点：泛化（新物体、新场景、新指令，在综合泛化基准上的表现是当时其他先进 VLA 的两倍多）、交互（听得懂口语化指令，环境或指令变化时实时调整）、灵巧（如折纸、把零食装进封口袋）。它主要在双臂平台 ALOHA 2 上训练，也能适配 Franka 机械臂和 Apptronik 的 Apollo 人形机器人；技术报告称新任务约 100 条演示即可微调。后续有 On-Device、1.5 等版本。