Google DeepMind stellt Gemini Robotics 2.5 vor: Bei Mercedes-Benz mit 96 Prozent Erfolgsquote getestet
Google DeepMind präsentiert Gemini Robotics 2.5, sein bisher fortschrittlichstes Vision-Language-Action-Modell, das in über 200 Aufgaben evaluiert wurde. Bei einem Testlauf bei Mercedes-Benz sortierte der humanoide Roboter Apollo 2 von Apptronik Autoteile mit einer Erfolgsquote von 96 Prozent. Das Modell ist vorerst Google-Robotikpartnern vorbehalten.
Google DeepMind will Roboter aus dem Labor holen. Der Anbieter stellte am 10. November Gemini Robotics 2.5 vor, bezeichnet als sein bisher fähigstes Vision-Language-Action-Modell (VLA): ein System, das Szenen erfasst, Anweisungen versteht und Roboterarme sowie -hände direkt ansteuert. Das Modell wird derzeit für Robotikpartner von Google bereitgestellt; ein öffentlicher Zugang wurde nicht angekündigt.
Mehr Aufgaben, mehr Tempo
Google DeepMind gibt an, Gemini Robotics 2.5 bei mehr als 200 verschiedenen Aufgaben evaluiert zu haben, ausgewählt nach Kriterien wie Werkzeugnutzung, Handhabung biegsamer Objekte und feine Fingerfertigkeit: Essen mit Zangen servieren, Schleifen an Geschenken binden oder Flüssigkeiten pipettieren. Gegenüber bisherigen Benchmarks meldet das Labor eine um 30 bis 100 Prozent höhere Erfolgsquote je nach Aufgabentyp sowie eine um 20 bis 30 Prozent schnellere Ausführung.
Wie frühere Versionen ist das Modell nicht an eine bestimmte Hardware gebunden. Google DeepMind demonstriert es auf dem humanoiden Roboter Apollo 2 von Apptronik, ausgestattet mit einer SharpaWave-Hand mit fünf Fingern und 22 Freiheitsgraden, sowie auf der zweiarmigen Plattform Franka Duo, die ausschließlich über Parallelgreifer verfügt.
Werkstest bei Mercedes-Benz
Das greifbarste Ergebnis stammt aus einem Proof of Concept mit Apptronik und Mercedes-Benz an aktiven Produktionslinien in Kecskemét (Ungarn) und Sindelfingen (Deutschland). Apollo 2 übernimmt dort das sogenannte Kitting: Er greift lose Metallhalterungen aus Kisten und sortiert sie in Sequenzierbehälter – genau in der Reihenfolge, in der sie für die jeweiligen Fahrzeuge benötigt werden. Ein Schlussfolgerungsmodell, Gemini Robotics ER, überwacht den Ablauf der Aufgabe; Gemini Robotics 2.5 steuert Hände und Arme. Laut Google DeepMind erreicht der Roboter dabei eine Erfolgsquote von 96 Prozent. Jeff Cardenas, CEO von Apptronik, erklärt, die Modelle hätten sich nach wenigen Wochen Feinabstimmung „spektakulär verbessert“ und seien „mit minimalen Einbußen“ auf den Fabrikeinsatz übertragen worden.
Sicherheit über neuen offenen Test gemessen
Das Modell nutzt eine Inferenzführung während der Ausführung, um physische Gefahren in Echtzeit zu umgehen. In den Tests des Labors stieg die sichere Aufgabenerledigung im Umfeld von Hindernissen um 33 Prozent und nahe an Personen um 43 Prozent. Google DeepMind veröffentlicht zudem ASIMOV-Jailbreak als Open Source, eine Testsuite mit Hunderten Anfragen, die gefährliche Handlungen in Dutzenden Szenarien verschleiern. Der hervorgehobene Spitzenwert stammt allerdings von Gemini 4 Argon, dem universellen Modell des Anbieters, das 99,5 Prozent dieser Versuche abwehrt, verglichen mit 82 Prozent beim älteren Gemini Robotics ER 2.
Ein Sprachmodell zur Datenerzeugung
Gemini 4 Argon fungierte zudem als Entwicklungsbeschleuniger. Aus einer einzigen realen Kameraaufnahme erzeugt es einen digitalen Zwilling und Tausende simulierte Durchläufe, die anschließend mit realen Demonstrationen kombiniert werden. Zudem hilft es den Forschenden, anhand von Videoaufnahmen Hypothesen über Fehlversuche aufzustellen und Korrekturen in der Simulation sowie auf den Robotern zu testen.
Was noch offen ist
Alle Zahlen stammen von Google DeepMind und seinen Partnern; eine unabhängige Überprüfung liegt nicht vor. Der Blogbeitrag verschweigt die Dauer des Tests bei Mercedes-Benz, die Zahl der verarbeiteten Teile und die Taktrate im Vergleich zu menschlichen Fachkräften. Weder Preise noch eine öffentliche API oder ein Zeitplan für eine breitere Öffnung wurden genannt, und nichts deutet auf eine Veröffentlichung der Modellgewichte hin.
Unsere Einschätzung
Die Ankündigung folgt unmittelbar auf die Vorstellung von GR00T 2 durch Nvidia, und die strategischen Ansätze könnten kaum unterschiedlicher sein. Nvidia setzt auf ein nach eigenen Angaben offenes Modell, veröffentlichte Daten und dokumentierte Generalisierung bei zuvor ungesehenen Aufgaben. Google beschränkt den Zugriff auf ausgewählte Partner und hebt einen spezifischen industriellen Anwendungsfall hervor. Die 96 Prozent bei Mercedes-Benz sind der plakativste Wert, beziehen sich jedoch auf eine monotone, stark eingegrenzte Aufgabe; in der industriellen Fertigung kann eine Fehlerquote von 4 Prozent teuer werden, falls jeder Ausfall das Band stoppt oder menschliches Eingreifen erfordert. Der bemerkenswerteste Aspekt liegt im Einsatz eines großen Sprachmodells zur automatischen Generierung von Simulationsumgebungen: Bewährt sich dieser Ansatz, hängt die Lerngeschwindigkeit von Robotern künftig ebenso stark von Foundation Models ab wie von mühsam gesammelten Demonstrationsstunden. Die Veröffentlichung von ASIMOV-Jailbreak als Open Source bietet anderen Laboren immerhin eine einheitliche Messlatte, an der es in der Robotik bisher spürbar fehlt.
Quellen
- Google DeepMind — Gemini Robotics 2.5 accelerates real-world general dexterity (10. November 2026) Primärquelle
- Google DeepMind auf X — Ankündigung von Gemini Robotics 2.5 (10. November 2026) Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
