Google DeepMind a annoncé Gemini 4 Argon, un modèle que l'entreprise décrit comme une avancée majeure en compréhension physique, génération de code et raisonnement visuo-sémantique. Dans un article publié sur le blog Google DeepMind le 13 octobre 2026, l'équipe à l'origine du modèle a indiqué qu'il débloque de nouveaux flux de travail à travers toute la pile robotique et accélère les progrès vers une AGI physique, avec pour objectif déclaré de permettre à des robots de travailler aux côtés des humains pour relever des défis complexes.

Le saut de capacités est plus visible sur le benchmark Embodied Reasoning (ERQA), qui évalue la capacité d'un modèle à comprendre et résoudre des problèmes physiques et spatiaux en environnements 3D. En raisonnement pur, Argon obtient 87 % sur ce benchmark, surpassant tous les autres modèles de pointe, selon DeepMind. Des benchmarks comme ERQA ont du poids, car les modèles de pointe ont historiquement été évalués principalement sur des tâches de langage et de code, tandis que le raisonnement sur les objets, l'espace et le contact en 3D restait un défi spécialisé de la robotique.

Positionné comme un modèle de raisonnement physique à usage général, Argon est conçu pour être appliqué sur l'ensemble du cycle de vie robotique. L'annonce présente des prompts représentatifs dans quatre domaines clés : le contrôle de robots, le Real2Sim, la compréhension physique, et la recherche avec auto-amélioration. Chaque démonstration est accompagnée d'une vidéo du modèle en action.

Contrôle de robots : du quadrupède aux modèles mondiaux vidéo

Les démonstrations de contrôle de robots couvrent la manipulation mobile avec entraînement MuJoCo, le contrôle zero-shot et le pilotage en boucle fermée de modèles mondiaux vidéo.

Dans la première démonstration, Argon contrôle un quadrupède Spot de Boston Dynamics — une plateforme avec des jambes à 12-DoF et un bras à 6-DoF — pour apprendre une nouvelle compétence : appuyer avec le pied sur une poubelle à pédale pour y jeter des canettes. Avant de toucher la pédale physique, Argon crée un jumeau numérique articulé de la poubelle dans MuJoCo, un simulateur physique open source largement utilisé en recherche robotique, et répète ses mouvements en simulation. Il monte ensuite sur la pédale réelle et dépose des canettes dans la poubelle ouverte.

Dans une démo de contrôle zero-shot, Argon opère un simple bras robotique pour redresser une tasse tombée et y placer une serviette en papier froissée, en raisonnant avec un harnais de coordonnées visuelles et des primitives d'action sur plusieurs tours.

Le troisième exemple étend le contrôle aux modèles mondiaux vidéo. Argon pilote des robots dans le Gemini Omni World Model pour réarranger cinq tuiles Scrabble éparpillées (G, R, A, N, O) en une rangée propre épelant A-G-O-N. Plutôt que d'émettre un prompt statique unique, Argon pilote en boucle visuelle fermée : il rédige des prompts d'action horodatés, inspecte les keyframes intermédiaires du rollout et affine ses prompts au fur et à mesure.

Real2Sim : des flux caméra et croquis à la simulation calibrée

Les démonstrations Real2Sim couvrent la reconstruction de jumeaux de simulation physiquement calibrés à partir de flux caméra de robots, de vidéos humaines egocentriques ou de croquis dessinés à la main. La technique répond à une réalité pratique de la robotique : itérer en simulation est plus rapide et plus sûr que sur du matériel physique, mais cela ne porte ses fruits que lorsque le monde simulé correspond fidèlement au monde réel.

Dans la première, Argon observe un véritable épisode de téléopération robotique et développe un jumeau numérique, obtenant ou créant des assets de simulation qui ressemblent aux objets réels et se comportent comme eux au contact des mains dextres. Il ajuste les assets et les scènes dans une boucle itérative de raisonnement visuel jusqu'à ce que les visuels simulés et les événements de contact correspondent à ceux des données réelles enregistrées.

À partir d'une vidéo humaine egocentrique d'une tâche de manipulation, Argon identifie les objets pertinents pour la tâche, remplace les bounding boxes rudimentaires par des maillages composés à décomposition convexe pour les contenants concaves, et retargete la trajectoire de la main humaine sur un humanoïde bimanuel à 76-DoF avec des mains à cinq doigts à 22-DoF dans la physique de contact de MuJoCo.

L'exemple croquis-vers-simulation montre un développeur photographiant un croquis approximatif au stylo sur papier — représentant un humanoïde Apollo 2 lançant un ballon le long d'un arc parabolique pour renverser une pile de boîtes 3-2-1 sur une table — après quoi Argon construit automatiquement la scène mujoco_warp accélérée par GPU, synthétise une trajectoire de lancer équilibrée du corps entier et des cinq doigts à 76-DoF, vérifie un renversement de 6/6 cibles en physique en boucle fermée et exporte un rendu Blender 4.5 Cycles.

Compréhension physique : annotation a posteriori, résolution de puzzles et fonctions de valeur

Les démonstrations de compréhension physique couvrent l'annotation a posteriori multimodale agentique, incluant la compréhension détaillée de la dextérité, les fonctions de valeur denses et l'estimation de progression.

DeepMind indique qu'Argon possède une compréhension physique précise de la manipulation dextre et peut fournir une segmentation détaillée et un étiquetage textuel à partir de vidéo, identifiant les segments de manipulation médiocres tels que les pauses, les prises instables et les maladresses. À partir d'une vidéo en plongée d'un robot bimanuel ALOHA 2 pliant une feuille de papier carrée en renard origami pendant 136 secondes, Argon produit une hiérarchie d'annotations a posteriori à quatre niveaux alignée dans le temps : un objectif d'épisode (G1), 6 sous-tâches sémantiques contiguës (G2), 17 primitives atomiques au niveau du contact (G3) et une repondération automatisée du contrôle qualité (QC) qui maintient la progression de la tâche stable pendant les maladresses et les tentatives.

Pour recréer avec des robots le classique puzzle des 12 balles à balance, Argon construit un environnement MuJoCo bimanuel Franka FR3 contenant 12 billes de billard visuellement identiques — l'une secrètement plus lourde ou plus légère — et une balance Roberval articulée à deux plateaux. Il écrit ensuite un solveur en boucle fermée purement visuel qui triangule les billes depuis des caméras RGB stéréo, lit visuellement l'inclinaison de la balance après chaque pesée et isole la bille aberrante dans le plateau Lourd (Rouge) ou Léger (Bleu) en 3 pesées maximum.

DeepMind décrit également Argon comme une fonction de valeur générale pour les tâches robotiques. Évalué sur un épisode de tri d'anneaux bimanuel de 60 secondes issu d'un jeu de données humain UMI, Argon inspecte itérativement les flux caméra synchronisés de la tête, de la pince gauche et de la pince droite autour des transitions de contact pour générer des prédictions denses de fonction de valeur et de progression de tâche, en décomposant la trajectoire en 28 segments à pentes de progression positive, neutre et négative.

Recherche auto-amélioration : des données de simulation à l'itération matérielle

Les démonstrations de recherche et d'auto-amélioration couvrent l'amélioration d'actions via la simulation et l'auto-amélioration itérative sur le matériel.

Argon peut générer de nouvelles données en simulation pour améliorer les performances des modèles généralistes vision-langage-action (VLA). Pour les modèles VLA, qui dépendent de grands volumes de données d'interaction robotique, la simulation offre un moyen de collecter des données au-delà de ce que permet le matériel physique. À partir d'une simple photo RGB d'une table réelle, il construit de manière autonome un jumeau de simulation MuJoCo calibré, définit de nouvelles tâches et synthétise un générateur de mouvements en boucle fermée pour collecter plus de 4 500 épisodes à randomisation de domaine en simulation. Selon DeepMind, cela a fait passer le taux de succès réel du robot physique de 56 % à 75 % et réduit le temps d'exécution de 35 secondes à 24 secondes.

Sur un simple bras à 6-DoF, Argon améliore également de manière itérative la vitesse d'exécution et la précision de placement sur une tâche de prise et dépôt, par essais et auto-réflexion.

La dernière démonstration porte sur la reproduction d'articles de contrôle robotique en un seul prompt dans MuJoCo WebAssembly. Avec un unique prompt par article, Argon lit un manuscrit de contrôle robotique et les checkpoints publiés, porte le modèle physique et le contrôleur en boucle fermée — du déplacement hiérarchique à 7 réseaux de DeepLoco et des acteurs PPO à 50 Hz de HUSKY au iLQR en Web Worker de Whole-Body MPC — vers des labs de navigateur MuJoCo WebAssembly autonomes, et les vérifie dans Chromium headless.

Faire progresser l'intelligence incarnée

Selon DeepMind, Argon fait le pont entre le code, la perception visuelle, la simulation physique et le contrôle robotique incarné. En raisonnant nativement sur des vidéos multi-vues, la géométrie 3D, la mécanique des contacts et la télémétrie proprioceptive, le modèle comprend non seulement quels objets se trouvent dans une scène, mais comment ils interagissent physiquement avec les agents pour accomplir des tâches dextres du corps entier. Prises ensemble, les démonstrations couvrent des travaux que les équipes robotiques répartissent généralement entre plusieurs outils et flux de travail distincts — conception de contrôleurs, calibration de simulation, étiquetage de jeux de données et reproduction d'articles.

« Gemini 4 Argon marque une étape importante accélérant la voie vers une AGI physique », indique l'article de blog. « En construisant cette intelligence fondamentale, notre objectif est de permettre à la robotique de travailler aux côtés des humains pour relever des défis complexes. »

Pour commencer

Gemini 4 Argon est disponible dès aujourd'hui sur les plateformes de développeurs de Google, offrant aux développeurs un moyen direct de tester les capacités décrites ci-dessus :

• Google AI Studio : accessible aux abonnés Google AI Ultra via Google AI Studio.
• API Gemini : accessible avec le niveau payant de l'API Gemini dans AI Studio. Les développeurs peuvent invoquer le modèle en tant que gemini-4-argon dans l'API Interactions, avec un support dès le premier jour dans les SDK google-genai.
• Google Antigravity : accessible aux abonnés Google AI Ultra. Les développeurs peuvent sélectionner Gemini 4 Argon (gemini-4-argon) comme modèle actif dans Google Antigravity pour la planification complexe, les exécutions /goal et l'orchestration multi-agents.