По сообщению Google (октябрь 2026 г.). Даты запуска, доступность функций и сравнительные результаты ниже относятся к этому сообщению и отражают данные разработчика. Первоисточник.
Gemini 4 Argon представляет собой качественный скачок в понимании физического мира, генерации кода и визуально-семантическом рассуждении — открывая новые рабочие процессы по всему стэку робототехники и ускоряя прогресс к физическому ОИ.
Этот скачок в возможностях видно на бенчмарке Embodied Reasoning (ERQA), который проверяет способность модели понимать и решать физические, пространственные задачи в 3D-средах. Используя чистое рассуждение, Argon набирает 87%, опережая все другие передовые модели.
Как универсальная модель для физического рассуждения, Argon может применяться на протяжении всего жизненного цикла робототехники. В этом материале мы приводим репрезентативные подсказки (prompts) для Argon в четырёх ключевых областях:
- Управление роботами → мобильная манипуляция с практикой в MuJoCo, управление роботом в режиме zero-shot и замкнутая петля управления визуальными мировыми моделями.
- Real2Sim → восстановление физически калиброванных симуляционных двойников по видеопотокам с робота, эгокамерам человека или по нарисованным от руки эскизам на бумаге.
- Физическое понимание → агентное мультимодальное ретроспективное разметка (hindsight labeling), включая детальное понимание ловкости, плотных функций ценности и оценки прогресса.
- Исследования и самоулучшение → улучшение действий через симуляцию и итеративное самоулучшение на аппаратуре.
1. Spot мобильная манипуляция: бросание в мусорное ведро с практикой в MuJoCo
Argon управляет квадропедом Boston Dynamics Spot® (12 степеней свободы ног + 6 степеней свободы манипулятора), чтобы освоить новый навык: наступать на ножной педаль мусорного ведра, чтобы выбрасывать банки из-под газировки. Argon создаёт артикулированный цифровой двойник мусорного ведра с ножной педалью в MuJoCo, чтобы отработать движения перед тем, как нажать физическую педаль и опустить банки в открытое ведро.
Argon управляет простым роботизированным манипулятором, чтобы восстановить упавшую кружку в вертикальное положение и положить смятый салфетку внутрь. Argon рассуждает с использованием визуальной системы координат и примитивов действий, выполняя задачу в несколько шагов.
Argon управляет роботами в Gemini Omni World Model, чтобы переразместить пять разбросанных фишек Scrabble (G, R, A, N, O) в аккуратный ряд, образующий A — R — G — O — N. Вместо одной статической подсказки Argon работает в замкнутом визуальном цикле: он пишет аннотированные по времени подсказки действий, проверяет промежуточные ключевые кадры роллаута и уточняет свои команды.
Argon просматривает эпизод телоуправления реальным роботом и развивает цифровой двойник; он получает или создаёт симуляционные ассеты, которые внешне и по поведению соответствуют реальным объектам при контакте с ловкими руками. Argon настраивает ассеты и сцены, чтобы визуалы симуляции и события контакта совпадали с реальными записанными данными в итеративном цикле визуального рассуждения.
По заданному эгосъёмочному видео человека, выполняющего задачу манипуляции, Argon идентифицирует релевантные объекты задачи, заменяет грубые ограничивающие прямоугольники составными выпуклыми декомпозированными мешами для вогнутых контейнеров и ретаргетирует траекторию руки человека на бимануального гуманоидного агента с 76 степенями свободы и пятипальцевыми руками с 22 степенями свободы в физике контакта MuJoCo.
С помощью Argon разработчик может сфотографировать грубый эскиз на бумаге — показывающий гуманоид Apollo 2, бросающий мяч по параболе, чтобы опрокинуть стопку из коробок 3-2-1 на столе — и получить автоматическое построение GPU-ускоренной сцены mujoco_warp, синтез сбалансированной траектории броска для всего тела и пяти пальцев (76 DoF), верификацию падения всех 6 целей в замкнутой физике и экспорт рендера Blender 4.5 Cycles.
Открытие физического понимания с Argon
1. Ретроспективная разметка и качество данных
Argon обладает точным физическим пониманием ловкой манипуляции и может предоставлять детальную сегментацию и текстовую разметку по видео. Argon способен выявлять плохие сегменты манипуляции, такие как паузы, нестабильные захваты и промахи. По накрышному видео бимануального робота ALOHA 2, складывающего квадратный лист бумаги в оригами-лиса за 136 секунд, Argon генерирует временно-выравненную иерархию ретроспективной разметки в 4 уровня: цель эпизода (G1), 6 смежных семантических подзадач (G2), 17 контактных атомарных примитивов (G3) и автоматизированное управление качеством (QC), перераспределяющее веса так, чтобы прогресс по задаче оставался неизменным во время промахов и повторных попыток.
Чтобы воссоздать классическую головоломку с 12 шарами на весах с роботами, Argon строит бимануальную среду Franka FR3 в MuJoCo с 12 визуально идентичными бильярдными шарами (один тайно тяжёлый или лёгкий) и артикулированными двухчашечными весами типа Roberval. Затем он пишет зрительный замкнутый решатель, который триангулирует шары со стерео RGB-камер, визуально считывает наклон весов после каждого взвешивания и изолирует необычный шар в лоток Heavy (красный) или Light (синий) в течение 3 взвешиваний.
Argon является общей функцией ценности для задач робототехники. Оценённый на 60-секундном бимануальном эпизоде сортировки колец из датасета с участием человека UMI, Argon итеративно инспектирует синхронизированные видеопотоки с головы, левой и правой захватных камер вокруг переходов контактов, чтобы генерировать плотные предсказания функции ценности / прогресса задачи и разложить траекторию на 28 сегментов с положительными, нейтральными и отрицательными наклонами прогресса.
Открытие исследований и самоулучшения с Argon
1. Улучшение действий через симуляцию
Argon может генерировать новые данные в симуляции, чтобы улучшить производительность универсальных моделей зрения-язык-действие (VLA). Начиная с одной RGB-фотографии реального стола, Argon автономно строит калиброванный симуляционный двойник в MuJoCo, определяет новые задачи и синтезирует генератор замкнутого цикла движений для сбора более 4 500 эпизодов с доменно-рандомизацией в симуляции — что повышает реальный успех роботизированного действия с 56% до 75% и сокращает время выполнения с 35 с до 24 с.
2. Самоулучшение для визуального pick-and-place
На простом 6-DoF манипуляторе Argon итеративно самоулучшается как по скорости исполнения, так и по точности размещения в задаче захвата и размещения через испытания и саморефлексию.
3. Репродукции робототехнических статей в MuJoCo WebAssembly по одной подсказке
С одной подсказки на статью Argon читает рукопись по управлению роботами и любые выпущенные чекпойнты, портирует физическую модель и замкнутый контроллер (от иерархического локомоции из 7 сетей в DeepLoco и актёров PPO с 50 Гц в HUSKY до iLQR в Web Worker в Whole-Body MPC) в автономные лаборатории MuJoCo WebAssembly в браузере и верифицирует их в headless Chromium.
Продвижение воплощённого интеллекта с Argon
Argon объединяет кодирование, визуальное восприятие, физическое моделирование и управление воплощёнными роботами. Рассуждая нативно поверх многовидового видео, 3D-геометрии, механики контакта и проприоцептивной телеметрии, Argon понимает не только какие объекты есть в сцене, но и как они физически взаимодействуют с агентами для выполнения задач с полной кинематикой и ловкостью. Gemini 4 Argon отмечает важную веху, ускоряющую путь к физическому ОИ. Создавая эту базовую интеллекта, наша цель — обеспечить робототехнику, способную работать рядом с людьми для решения сложных задач.
Вы можете начать разработку с Gemini 4 Argon уже сегодня на платформах разработчиков Google:
- Google AI Studio: доступно подписчикам Google AI Ultra.
- Gemini API: доступно в платном уровне Gemini API в AI Studio. Используйте gemini-4-argon в Interactions API с поддержкой на день запуска через google-genai SDK.
- Google Antigravity: доступно подписчикам Google AI Ultra. Чтобы начать разработку, выберите Gemini 4 Argon (gemini-4-argon) как активную модель в Google Antigravity для сложного планирования, запусков /goal и мультиагентной оркестровки.
Три слоя, один репозиторий: обзор google/adk-recipes
Оценка AI-агентов: выход за рамки «vibe check»
Ускорение пространственно-временного внимания для видео-диффузии на TPU
ML Drift: новое поколение GPU AI/ML-инференса на периферии