Google DeepMind presentó Gemini Robotics 2.5, una versión nueva de su modelo de visión, lenguaje y acción (VLA) para que los robots hagan tareas físicas complejas en entornos industriales y cotidianos. Lo informó Robotics & Automation News el 15 de noviembre.
Según la empresa, el modelo amplía el rango de tareas que un robot puede ejecutar y mejora su destreza, su confiabilidad y su seguridad.
Gemini Robotics 2.5 se evaluó en más de 200 tareas, entre ellas manipular objetos delicados, usar herramientas, trabajar con materiales flexibles y hacer operaciones de ensamblaje de precisión.
De acuerdo con Google DeepMind, el modelo alcanzó tasas de éxito entre 30% y 100% más altas que las versiones anteriores, según la tarea, y completó las operaciones entre 20% y 30% más rápido.
Humanoides a prueba en Mercedes-Benz
La demostración de mayor peso fue con Apollo 2, el robot humanoide de Apptronik, trabajando en líneas de producción de Mercedes-Benz en Kecskemét (Hungría) y Sindelfingen (Alemania).
Los robots hicieron kitting automotriz. La tarea consiste en sacar componentes sueltos de contenedores a granel y ordenarlos en bandejas para el ensamblaje del vehículo.
Apollo 2 usó Gemini Robotics 2.5 para controlar brazos y manos, y Gemini Robotics ER para planificar la tarea. Con esa combinación alcanzó una tasa de éxito informada de 96% durante la prueba de concepto.
Jeff Cardenas, cofundador y CEO de Apptronik, lo explicó así.
"Para esto construimos Apollo: trabajo útil junto a las personas en entornos industriales reales."
"Al combinar Apollo 2 con Gemini Robotics, vimos que los modelos mejoraron de manera drástica en apenas unas semanas de post-entrenamiento y se trasladaron a la producción de Mercedes-Benz casi sin pérdida de rendimiento. Esta es la base para llevar robots humanoides a entornos industriales y comerciales a escala", agregó Cardenas.
¿Qué cambia en seguridad?
Google DeepMind también incorporó mejoras para que los robots operen de forma segura cerca de obstáculos y personas.
La empresa informa que los nuevos controles de seguridad basados en razonamiento aumentaron la finalización segura de tareas en 33% cerca de obstáculos y en 43% con personas cerca.
Además lanzó ASIMOV-Jailbreak, un benchmark de código abierto que mide si un sistema de IA para robótica resiste instrucciones que podrían llevar a acciones inseguras.
Según Google DeepMind, su modelo Gemini 4 Argon logró 99,5% de resistencia en esas evaluaciones, contra 82% de su referencia anterior.
Simulación con Gemini 4 Argon
Gemini 4 Argon también apoya la investigación en robótica. Genera escenarios de entrenamiento simulados, crea gemelos digitales y ayuda a los investigadores a revisar por qué falla una tarea.
La empresa dice que esas capacidades aceleraron el desarrollo de Gemini Robotics 2.5 porque redujeron la cantidad de datos de entrenamiento físico necesarios.
El modelo nuevo queda disponible para los socios de robótica de Google DeepMind. La empresa sigue desarrollando sistemas de IA pensados para funcionar en distintas plataformas de robots y aplicaciones reales.




