Google DeepMind ha annunciato Gemini 4 Argon, un modello che l'azienda descrive come un cambiamento radicale nella comprensione fisica, nella generazione di codice e nel ragionamento visivo-semantico. In un post sul blog di Google DeepMind pubblicato il 13 ottobre 2026, il team dietro il modello ha dichiarato che esso sblocca nuovi flussi di lavoro lungo l'intera stack robotica e accelera i progressi verso l'AGI fisica, con l'obiettivo dichiarato di consentire a robot di lavorare al fianco degli esseri umani per affrontare sfide complesse.

Il salto di capacità è più evidente sul benchmark Embodied Reasoning (ERQA), che verifica la capacità di un modello di comprendere e risolvere problemi fisici e spaziali in ambienti 3D. Usando puro ragionamento, Argon ottiene l'87% sul benchmark, superando ogni altro modello di frontiera, secondo DeepMind. Benchmark come ERQA hanno peso perché i modelli di frontiera sono stati storicamente valutati soprattutto su compiti linguistici e di programmazione, mentre il ragionamento su oggetti, spazio e contatto in 3D è rimasta una sfida specialistica per la robotica.

Posizionato come modello di ragionamento fisico di uso generale, Argon è progettato per essere applicato all'intero ciclo di vita della robotica. L'annuncio ripercorre prompt rappresentativi in quattro aree chiave: controllo dei robot, Real2Sim, comprensione fisica e ricerca con auto-miglioramento. Ogni dimostrazione è accompagnata da un video del modello al lavoro.

Controllo dei robot: da un quadrupede ai world model video

Le dimostrazioni di controllo dei robot coprono la manipolazione mobile con pratica in MuJoCo, il controllo zero-shot dei robot e la guida in circuito chiuso di world model video.

Nella prima dimostrazione, Argon controlla un quadrupede Boston Dynamics Spot — una piattaforma con gambe a 12 DoF e braccio a 6 DoF — per apprendere una nuova abilità: calciare il pedale di un cestino per gettare lattine di soda. Prima di toccare il pedale fisico, Argon crea un gemello digitale articolato del cestino in MuJoCo, un simulatore fisico open source ampiamente usato nella ricerca robotica, e prova i suoi movimenti in simulazione. Poi calcia il pedale reale e getta le lattine nel cestino aperto.

In una demo di controllo zero-shot, Argon pilota un semplice braccio robotico per raddrizzare tazza caduta e inserirvi un fazzoletto di carta stropicciato, ragionando con un harness di coordinate visive e primitive d'azione su più turni.

Il terzo esempio estende il controllo ai world model video. Argon guida robot all'interno del Gemini Omni World Model per riorganizzare cinque tessere di Scrabble sparse (G, R, A, N, O) in una fila ordinata che compone A-R-G-O-N. Invece di emettere un singolo prompt statico, Argon guida in un ciclo visivo chiuso: scrive prompt d'azione con marca temporale, ispeziona i keyframe intermedi del rollout e affina i propri prompt man mano che il rollout avanza.

Real2Sim: da feed delle telecamere e schizzi alla simulazione calibrata

Le dimostrazioni Real2Sim coprono la ricostruzione di gemelli di simulazione fisicamente calibrati da feed delle telecamere dei robot, video egocentrici umani o schizzi disegnati a mano. La tecnica affronta una realtà pratica della robotica: iterare in simulazione è più veloce e sicuro che su hardware fisico, ma produce vantaggi solo quando il mondo simulato corrisponde fedelmente a quello reale.

Nella prima, Argon osserva un episodio reale di teleoperazione di un robot e sviluppa un gemello digitale, ottenendo o creando asset di simulazione che appaiono e si comportano come gli oggetti reali al contatto con le mani destriere. Regola gli asset e le scene in un ciclo iterativo di ragionamento visivo finché gli elementi visivi simulati e gli eventi di contatto non corrispondono a quelli dei dati reali registrati.

Dato un video egocentrico umano di un compito di manipolazione, Argon identifica gli oggetti rilevanti per il compito, sostituisce bounding box grezzi con mesh composte a scomposizione convessa per contenitori concavi e retargetta la traiettoria della mano umana su un umanoide bimanuale a 76 DoF con mani a cinque dita a 22 DoF nella fisica dei contatti di MuJoCo.

L'esempio da schizzo a simulazione mostra uno sviluppatore che fotografa uno schizzo approssimativo su carta — che ritrae un umanoide Apollo 2 che lancia una palla lungo un arco parabolico per far cadere una pila di scatole 3-2-1 su un tavolo — dopodiché Argon costruisce automaticamente la scena mujoco_warp accelerata su GPU, sintetizza una traiettoria di lancio bilanciata a 76 DoF per tutto il corpo e le cinque dita, verifica l'abbattimento di 6/6 bersagli nella fisica in circuito chiuso ed esporta un render con Blender 4.5 Cycles.

Comprensione fisica: etichettatura hindsight, risoluzione di rompicapi e funzioni valore

Le dimostrazioni di comprensione fisica coprono l'etichettatura hindsight multimodale agentica, inclusa la comprensione dettagliata della destrezza, le funzioni valore dense e la stima dei progressi.

Secondo DeepMind, Argon possiede una comprensione fisica precisa della manipolazione destera e può fornire segmentazione dettagliata ed etichettatura testuale dai video, identificando segmenti di manipolazione scadenti come pause, pre instabili e errori. Dato un video dall'alto di un robot bimanuale ALOHA 2 che piega un foglio quadrato di carta in una volpe origami in 136 secondi, Argon produce una gerarchia di annotazioni hindsight a quattro livelli allineata nel tempo: un Obiettivo dell'Episodio (G1), 6 Sottocompiti Semantici contigui (G2), 17 Primitive Atomici a livello di contatto (G3) e un riponderazione automatica del Controllo Qualità (QC) che mantiene piatto il progresso del compito durante errori e tentativi.

Per ricreare con i robot il classico rompicapo della bilancia con 12 palline, Argon costruisce un ambiente MuJoCo bimanuale Franka FR3 con 12 biglie da biliardo visivamente identiche — una segretamente più pesante o più leggera — e una bilancia a due piatti Roberval articolata. Poi scrive un risolutore in circuito chiuso solo visivo che triangola le biglie dalle telecamere RGB stereo, legge visivamente l'inclinazione della bilancia dopo ogni pesata e isola la pallina diversa nel piatto Pesante (Rosso) o Leggero (Blu) entro 3 pesate.

DeepMind descrive Argon anche come una funzione valore generale per compiti robotici. Valutato su un episodio bimanuale di ordinamento di anelli di 60 secondi da un dataset UMI umano, Argon ispeziona iterativamente i feed sincronizzati delle telecamere su testa, pinza sinistra e pinza destra intorno alle transizioni di contatto per generare previsioni dense di funzione valore e progresso del compito, scomponendo la traiettoria in 28 segmenti con pendenze di progresso positive, neutre e negative.

Ricerca e auto-miglioramento: dai dati di simulazione all'iterazione su hardware

Le dimostrazioni di ricerca e auto-miglioramento coprono il miglioramento delle azioni tramite simulazione e l'auto-miglioramento iterativo su hardware.

Argon può generare nuovi dati in simulazione per migliorare le prestazioni dei modelli vision-language-action (VLA) generalisti. Per i modelli VLA, che dipendono da grandi volumi di dati di interazione con i robot, la simulazione offre un modo per scalare la raccolta dati oltre ciò che l'hardware fisico consente. Partendo da una singola foto RGB di un tavolo reale, costruisce autonomamente un gemello di simulazione MuJoCo calibrato, definisce nuovi compiti e sintetizza un generatore di movimenti in circuito chiuso per raccogliere oltre 4.500 episodi con domain randomization in simulazione. Secondo DeepMind, questo ha innalzato il tasso di successo reale del robot fisico dal 56% al 75% e ridotto il tempo di completamento da 35 a 24 secondi.

Su un semplice braccio a 6 DoF, Argon migliora inoltre iterativamente sia la velocità di esecuzione sia la precisione di posizionamento in un compito di pick and place attraverso tentativi e auto-riflessione.

L'ultima dimostrazione riguarda la riproduzione con un solo prompt di articoli di controllo robotico in MuJoCo WebAssembly. Con un singolo prompt per articolo, Argon legge un manoscritto di controllo robotico e gli eventuali checkpoint rilasciati, esegue il porting del modello fisico e del controller in circuito chiuso — dalla locomozione gerarchica a 7 reti di DeepLoco e gli attori PPO a 50 Hz di HUSKY all'iLQR in Web Worker di Whole-Body MPC — in laboratori browser MuJoCo WebAssembly autosufficienti, e li verifica in Chromium headless.\n## Verso l'intelligenza corporea

Secondo DeepMind, Argon fa da ponte tra programmazione, percezione visiva, simulazione fisica e controllo robotico corporeo. Ragionando nativamente su video multi-vista, geometria 3D, meccanica dei contatti e telemetria propriocettiva, il modello comprende non solo quali oggetti ci sono in una scena, ma come essi interagiscono fisicamente con gli agenti per realizzare compiti desteri con tutto il corpo. Nel complesso, le dimostrazioni coprono lavori che i team di robotica tipicamente distribuiscono su strumenti e flussi di lavoro distinti — progettazione di controller, calibrazione della simulazione, etichettatura di dataset e riproduzione di articoli.

"Gemini 4 Argon segna una pietra miliare importante nell'accelerare il percorso verso l'AGI fisica", dichiara il post sul blog. "Costruendo questa intelligenza fondamentale, il nostro obiettivo è abilitare una robotica che possa lavorare al fianco degli esseri umani per risolvere sfide complesse."

Per iniziare

Gemini 4 Argon è disponibile oggi sulle piattaforme per sviluppatori di Google, offrendo agli sviluppatori un modo diretto per testare le capacità descritte sopra:

• Google AI Studio: disponibile per gli abbonati a Google AI Ultra tramite Google AI Studio.
• Gemini API: disponibile con il tier a pagamento della Gemini API in AI Studio. Gli sviluppatori possono invocare il modello come gemini-4-argon nell'Interactions API, con supporto dal primo giorno negli SDK google-genai.
• Google Antigravity: disponibile per gli abbonati a Google AI Ultra. Gli sviluppatori possono selezionare Gemini 4 Argon (gemini-4-argon) come modello attivo in Google Antigravity per pianificazioni complesse, esecuzioni /goal e orchestrazione multi-agente.