Google DeepMind hat Gemini 4 Argon angekündigt, ein Modell, das das Unternehmen als einen bahnbrechenden Fortschritt in physikalischem Verständnis, Code-Generierung und visuell-semantischem Reasoning beschreibt. In einem Beitrag im Google DeepMind Blog vom 13. Oktober 2026 erklärte das Team hinter dem Modell, es erschließe neue Workflows im gesamten Robotics-Stack und beschleunige den Weg zu physical AGI – mit dem erklärten Ziel, Roboter zu ermöglichen, die Seite an Seite mit Menschen komplexe Herausforderungen lösen.

Der Fähigkeitssprung zeigt sich am deutlichsten beim Embodied Reasoning (ERQA) Benchmark, der die Fähigkeit eines Modells testet, physikalische und räumliche Probleme in 3D-Umgebungen zu verstehen und zu lösen. Allein durch Reasoning erreicht Argon beim Benchmark laut DeepMind 87 % und übertrifft damit jedes andere Frontier-Modell. Benchmarks wie ERQA sind bedeutsam, weil Frontier-Modelle historisch vor allem an Sprache und Programmieraufgaben gemessen wurden, während das Reasoning über Objekte, Raum und Kontakt in 3D eine Spezialisierung der Robotik blieb.

Als universelles physikalisches Reasoning-Modell ist Argon darauf ausgelegt, über den gesamten Robotik-Lebenszyklus hinweg eingesetzt zu werden. Die Ankündigung stellt beispielhafte Prompts in vier zentralen Bereichen vor: Robot Control, Real2Sim, physikalisches Verständnis sowie Forschung und Selbstverbesserung. Jede Demonstration ist von einem Video des Modells bei der Arbeit begleitet.

Robot Control: vom Vierbeiner bis zu Video-World-Models

Die Demonstrationen zu Robot Control decken mobile Manipulation mit MuJoCo-Training, Zero-Shot-Robotik-Steuerung und Closed-Loop-Steuerung von Video-World-Models ab.

In der ersten Demonstration steuert Argon einen Boston Dynamics Spot-Vierbeiner – eine Plattform mit 12-DoF-Beinen und einem 6-DoF-Arm – an, um eine neue Fähigkeit zu erlernen: das Treten eines Tretmülleimers, um Getränkedosen hineinzuwerfen. Bevor es das physische Pedal betätigt, erstellt Argon ein artikuliertes Digital Twin des Eimers in MuJoCo, einem in der Robotikforschung weit verbreiteten Open-Source-Physiksimulator, und übt seine Bewegungen in der Simulation. Anschließend tritt es auf das reale Pedal und wirft die Dosen in den offenen Eimer.

In einer Zero-Shot-Control-Demo bedient Argon einen einfachen Roboterarm, um umgekippten Becher aufzurichten und eine zerknüllte Serviette hineinzulegen, und nutzt dabei über mehrere Durchgänge hinweg ein visuelles Koordinaten-Framework und Aktions-Primitives.

Das dritte Beispiel dehnt die Steuerung auf Video-World-Models aus. Argon lenkt Roboter innerhalb des Gemini Omni World Model, um fünf verstreute Scrabble-Steine (G, R, A, N, O) in eine saubere Reihe zu ordnen, die A-R-G-O-N buchstabiert. Statt einen einzigen statischen Prompt abzusetzen, steuert Argon in einer geschlossenen visuellen Schleife: Es schreibt mit Zeitstempeln versehene Aktions-Prompts, prüft Zwischen-Keyframes des Rollouts und verfeinert seine Prompts, während der Rollout fortschreitet.

Real2Sim: von Kamerabildern und Skizzen zur kalibrierten Simulation

Die Real2Sim-Demonstrationen umfassen die Rekonstruktion physikalisch kalibrierter Simulationszwillinge aus Roboter-Kamerabildern, egocentrischen Menschenvideos oder handgezeichneten Papierskizzen. Das Verfahren adressiert eine praktische Realität der Robotik: Das Iterieren in der Simulation ist schneller und sicherer als auf physischer Hardware, zahlt sich aber nur aus, wenn die simulierte Welt der realen treu entspricht.

Im ersten Fall betrachtet Argon eine echte Robot-Teleoperation-Episode und entwickelt einen Digital Twin; es beschafft oder erstellt Simulations-Assets, die wie die realen Objekte aussehen und sich auch bei Kontakt mit den geschickten Händen ebenso verhalten. In einer iterativen visuellen Reasoning-Schleife stimmt Argon die Assets und Szenen ab, bis simulierte Optik und Kontaktereignisse denen der realen Aufzeichnungen entsprechen.

Aus einem egocentrischen Menschenvideo einer Manipulationsaufgabe identifiziert Argon die aufgabentrelevanten Objekte, ersetzt grobe Bounding Boxes durch zusammengesetzte, konvex zerlegte Meshes für konkave Behälter und überträgt die Handbahn des Menschen auf einen 76-DoF-bimanuellen Humanoiden mit 22-DoF-Fünf-Finger-Händen in der MuJoCo-Kontaktphysik.

Das Beispiel Skizze-zu-Simulation zeigt, wie ein Entwickler ein Foto einer groben Stift-und-Papier-Skizze aufnimmt – sie zeigt einen Apollo 2 Humanoiden, der einen Ball entlang einer Parabelbahn wirft, um einen 3-2-1-Stapel aus Kartons auf einem Tisch umzuwerfen – woraufhin Argon automatisch die GPU-beschleunigte mujoco_warp-Szene aufbaut, eine ausgewogene 76-DoF-Ganzkörper- und Fünf-Finger-Wurftrajektorie synthetisiert, ein 6/6-Zielabwurf in Closed-Loop-Physik verifiziert und ein Blender-4.5-Cycles-Rendering exportiert.

Physikalisches Verständnis: Hindsight-Labeling, Puzzles und Value Functions

Die Demonstrationen zum physikalischen Verständnis umfassen agentisches multimodales Hindsight-Labeling, einschließlich detailliertem Verständnis von Geschicklichkeit, dichten Value Functions und Fortschrittsschätzung.

Laut DeepMind verfügt Argon über ein präzises physikalisches Verständnis geschickter Manipulation und kann aus Videos detaillierte Segmentierungen und Text-Labelings erstellen, wobei es schlechte Manipulationsabschnitte wie Pausen, instabile Griffe und Fehlgriffe identifiziert. Aus einem Übersichtsvideo eines bimanuellen ALOHA-2-Roboters, der über 136 Sekunden ein quadratisches Blatt Papier zu einem Orig-Fuchs faltet, erzeugt Argon eine zeitsynchronisierte, vierstufige Hindsight-Annotationshierarchie: ein Episodenziel (G1), 6 zusammenhängende semantische Teilaufgaben (G2), 17 kontaktgenaue atomare Primitive (G3) sowie ein automatisiertes Quality-Control-(QC-)Reweighting, das den Aufgabenfortschritt während Fehlgriffen und Wiederholungen konstant hält.

Um das klassische 12-Kugeln-Waagenpuzzle mit Robotern nachzustellen, baut Argon eine bimanuelle Franka-FR3-MuJoCo-Umgebung mit 12 optisch identischen Billardkugeln – eine davon heimlich schwerer oder leichter – und einer artikulierten Roberval-Zweischalen-Waage. Anschließend schreibt es einen rein visuellen Closed-Loop-Solver, der die Kugeln aus Stereo-RGB-Kameras trianguliert, nach jeder Wiegung die Neigung der Waage visuell abliest und die abweichende Kugel innerhalb von 3 Wiegungen in die Heavy-(Red)- oder Light-(Blue-)Schale isoliert.

DeepMind beschreibt Argon zudem als allgemeine Value Function für Robotikaufgaben. Evaluiert an einer 60-sekündigen bimanuellen Ring-Sortier-Episode aus einem menschlichen UMI-Datensatz, prüft Argon iterativ synchronisierte Kamerabilder von Kopf, linkem Greifer und rechtem Greifer um Kontaktübergänge herum, um dichte Value-Function- und Aufgabenfortschritts-Prognosen zu erzeugen und die Trajektorie in 28 Segmente mit positiven, neutralen und negativen Fortschrittssteigungen zu zerlegen.

Forschung und Selbstverbesserung: von Simulationsdaten zur Hardware-Iteration

Die Demonstrationen zu Forschung und Selbstverbesserung umfassen Aktionsverbesserung per Simulation und iterative Selbstverbesserung auf Hardware.

Argon kann neue Daten in der Simulation generieren, um die Leistungsfähigkeit generalistischer Vision-Language-Action-(VLA-)Modelle zu verbessern. Für VLA-Modelle, die auf große Mengen Roboter-Interaktionsdaten angewiesen sind, bietet die Simulation eine Möglichkeit, die Datenerhebung über das hinaus zu skalieren, was physische Hardware erlaubt. Ausgehend von einem einzigen RGB-Foto einer realen Tischplatte erstellt Argon autonom einen kalibrierten MuJoCo-Simulationszwilling, definiert neue Aufgaben und synthetisiert einen Closed-Loop-Bewegungsgenerator, um mehr als 4.500 domänenrandomisierte Episoden in der Simulation zu sammeln. Laut DeepMind steigerte dies die Erfolgsquote des physischen Roboters in der realen Welt von 56 % auf 75 % und reduzierte die Abschlusszeit von 35 auf 24 Sekunden.

Auf einem einfachen 6-DoF-Arm verbessert Argon zudem iterativ sowohl Ausführungsgeschwindigkeit als auch Platzierungsgenauigkeit bei einer Pick-and-Place-Aufgabe durch Versuch und Selbstreflexion.

Die letzte Demonstration betrifft Ein-Prompt-Reproduktionen von Robotik-Control-Papieren in MuJoCo WebAssembly. Mit einem einzigen Prompt pro Paper liest Argon ein Manuskript zur Robotersteuerung samt veröffentlichter Checkpoints, portiert das Physikmodell und den Closed-Loop-Controller – von der 7-Netzwerk-hierarchischen Fortbewegung in DeepLoco und den 50-Hz-PPO-Aktoren in HUSKY bis zum Web-Worker-iLQR in Whole-Body MPC – in eigenständige MuJoCo-WebAssembly-Browserlabs und verifiziert sie in headless Chromium.

Fortschritt bei verkörperter Intelligenz

Laut DeepMind verbindet Argon Programmierung, visuelle Wahrnehmung, Physiksimulation und verkörperte Robotersteuerung. Durch natives Reasoning über Multi-View-Video, 3D-Geometrie, Kontaktmechanik und propriozeptive Telemetrie versteht das Modell nicht nur, welche Objekte sich in einer Szene befinden, sondern wie sie physisch mit Agenten interagieren, um anspruchsvolle Ganzkörperauf zu erfüllen. Insgesamt decken die Demonstrationen Arbeiten ab, die Robotikteams typischerweise über separate Tools und Workflows verteilen – Controller-Design, Simulationskalibrierung, Datensatz-Labeling und Paper-Reproduktion.

„Gemini 4 Argon markiert einen wichtigen Meilenstein, der den Weg zu physical AGI beschleunigt“, heißt es im Blogbeitrag. „Mit dem Aufbau dieser Kernintelligenz ist es unser Ziel, Robotik zu ermöglichen, die Seite an Seite mit Menschen komplexe Herausforderungen lösen kann.“

Erste Schritte

Gemini 4 Argon ist ab heute über die Entwicklerplattformen von Google verfügbar, was Entwicklern einen direkten Weg bietet, die oben beschriebenen Fähigkeiten zu testen:

• Google AI Studio: verfügbar für Google AI Ultra-Abonnenten über Google AI Studio.
• Gemini API: verfügbar mit dem kostenpflichtigen Tarif der Gemini API in AI Studio. Entwickler können das Modell als gemini-4-argon über die Interactions API aufrufen, mit Unterstützung ab Tag eins in den google-genai SDKs.
• Google Antigravity: verfügbar für Google AI Ultra-Abonnenten. Entwickler können Gemini 4 Argon (gemini-4-argon) als aktives Modell in Google Antigravity auswählen – für komplexe Planung, /goal-Läufe und Multi-Agenten-Orchestrierung.