Google DeepMind lança Gemini Robotics 2.5, testado nas linhas da Mercedes-Benz com 96% de sucesso

O Google DeepMind quer tirar os robôs do laboratório. O laboratório apresentou em 10 de novembro o Gemini Robotics 2.5, que descreve como seu modelo de visão-linguagem-ação (VLA) mais capaz: um modelo que observa a cena, compreende uma instrução e comanda diretamente os braços e as mãos de um robô. O modelo está sendo distribuído para os parceiros de robótica do Google, sem anúncio de acesso público.

Mais tarefas, mais rápido

O Google DeepMind afirma ter avaliado o Gemini Robotics 2.5 em mais de 200 tarefas distintas, escolhidas para combinar o uso de ferramentas, a manipulação de objetos flexíveis e gestos delicados: servir comida com pinças, dar um laço em uma fita de presente, pipetar um líquido. Em relação às suas referências anteriores, o laboratório anuncia uma taxa de sucesso de 30% a 100% maior, dependendo do tipo de tarefa, e atividades executadas 20% a 30% mais rápido.

Assim como as versões anteriores, o modelo não está atrelado a um robô específico. O Google DeepMind o exibe no humanoide Apollo 2 da Apptronik, equipado com uma mão SharpaWave de cinco dedos e 22 graus de liberdade, e na plataforma de dois braços Franka Duo, que conta apenas com garras paralelas.

Um teste em fábrica na Mercedes-Benz

O resultado mais concreto vem de uma prova de conceito com a Apptronik e a Mercedes-Benz, em linhas de produção ativas em Kecskemét, na Hungria, e em Sindelfingen, na Alemanha. Nelas, o Apollo 2 faz o kitting: ele pega suportes metálicos em caixas a granel e os organiza em caixas de sequenciamento, na ordem exata em que cada carro precisará deles. Um modelo de raciocínio, o Gemini Robotics ER, acompanha o andamento da tarefa; o Gemini Robotics 2.5 controla as mãos e os braços. Segundo o Google DeepMind, o robô alcança 96% de sucesso. O CEO da Apptronik, Jeff Cardenas, afirma que os modelos “evoluíram de forma espetacular em poucas semanas” de ajuste fino e foram transpostos para a fábrica “com pouquíssima perda”.

A segurança, medida por um novo teste aberto

O modelo utiliza uma orientação por raciocínio no momento da execução para contornar perigos físicos em tempo real. Nas avaliações do laboratório, a conclusão segura de tarefas aumenta em 33% ao redor de obstáculos e em 43% perto de pessoas. O Google DeepMind também publica em código aberto o ASIMOV-Jailbreak, um benchmark com centenas de solicitações que mascaram pedidos perigosos em dezenas de cenários. O número em destaque, no entanto, diz respeito ao Gemini 4 Argon, seu modelo generalista, que resiste a 99,5% dessas tentativas, contra 82% do antigo Gemini Robotics ER 2.

Um modelo de linguagem para fabricar os dados

O Gemini 4 Argon também serviu como acelerador. A partir de uma única visão de câmera real, ele gera um gêmeo digital e milhares de repetições simuladas, misturadas em seguida às demonstrações reais. Ele também ajuda os pesquisadores a formular hipóteses sobre as falhas a partir dos vídeos, para então testar correções na simulação e nos robôs.

O que ainda precisa ser verificado

Todos os números vêm do Google DeepMind e de seus parceiros: nenhuma avaliação independente foi publicada. A publicação não especifica a duração do teste na Mercedes-Benz, o volume de peças processadas nem a cadência em relação a um operador humano. Não há informações sobre preço, API pública ou cronograma de abertura, e nada indica que os pesos serão disponibilizados.