Google DeepMind объявила о выпуске Gemini 4 Argon — модели, которую компания описывает как прорыв в физическом понимании, генерации кода и визуально-семантическом рассуждении. В публикации в блоге Google DeepMind от 13 октября 2026 года команда модели заявила, что она открывает новые рабочие процессы во всём стеке робототехники и ускоряет прогресс к физическому AGI, с заявленной целью создания роботов, способных работать бок о бок с людьми при решении сложных задач.

Скачок возможностей наиболее заметен на бенчмарке Embodied Reasoning (ERQA), который проверяет способность модели понимать и решать физические и пространственные задачи в 3D-средах. Используя чистое рассуждение, Argon набирает 87% на бенчмарке, опережая, по данным DeepMind, все другие frontier-модели. Бенчмарки вроде ERQA имеют вес, поскольку frontier-модели исторически оценивались главным образом на языковых задачах и задачах программирования, тогда как рассуждение об объектах, пространстве и контактах в 3D оставалось специализированной проблемой робототехники.

Позиционируемая как универсальная модель физического рассуждения, Argon предназначена для применения на всём жизненном цикле робототехники. В анонсе представлены характерные промпты в четырёх ключевых областях: управление роботами, Real2Sim, физическое понимание, а также исследования и самоулучшение. Каждая демонстрация сопровождается видео работы модели.

Управление роботами: от четвероногого робота до видео-моделей мира

Демонстрации управления роботами охватывают мобильную манипуляцию с практикой в MuJoCo, управление роботами zero-shot и замкнутое управление видео-моделями мира.

В первой демонстрации Argon управляет четвероногим Boston Dynamics Spot — платформой с 12-степенными ногами и 6-степенной рукой, — чтобы освоить новый навык: наступить на педаль мусорного ведра и выбросить жестяные банки. Прежде чем нажать на реальную педаль, Argon создаёт артикулированный цифровой двойник ведра в MuJoCo — открытом физическом симуляторе, широко используемом в исследованиях робототехники, — и отрабатывает движения в симуляции. Затем она наступает на реальную педаль и сбрасывает банки в открытое ведро.

В демонстрации управления zero-shot Argon работает с простым роботизированным манипулятором, чтобы поставить упавшую круж вертикально и положить внутрь смятую салфетку, рассуждая с помощью визуального координатного каркаса и примитивов действий за несколько ходов.

Третий пример расширяет управление на видео-модели мира. Argon направляет роботов внутри Gemini Omni World Model, чтобы разложить пять разбросанных плиток Scrabble (G, R, A, N, O) в ровный ряд, составляющий A-R-G-O-N. Вместо одного статичного промпта Argon управляет в замкнутом визуальном контуре: она пишет промпты действий с временными метками, проверяет промежуточные ключевые кадры rollout и уточняет свои промпты по мере выполнения.

Real2Sim: от камер и эскизов к калиброванной симуляции

Демонстрации Real2Sim охватывают восстановление физически калиброванных симуляционных двойников из камер робота, эгоцентрического видео человека или нарисованных от руки эскизов. Техника отвечает практической реальности робототехники: итерации в симуляции быстрее и безопаснее, чем на физическом оборудовании, но они оправданы лишь тогда, когда симулированный мир точно соответствует реальному.

В первом примере Argon просматривает реальный эпизод телеперации робота и создаёт цифровой двойник, получая или создавая симуляционные ассеты, которые выглядят и ведут себя как реальные объекты при контакте с ловкими руками. Она настраивает ассеты и сцены в итеративном визуально-рассуждающем контуре, пока симуляционные визуальные данные и события контакта не совпадут с реальными записанными данными.

По эгоцентрическому видео человека, выполняющего манипуляционную задачу, Argon определяет значимые для задачи объекты, заменяет грубые ограничивающие рамки составными мешами с выпуклым разложением для вогнутых контейнеров и ретаргетит траекторию руки человека на 76-степенного двурукого гуманоида с 22-степенными пятипалыми руками в физике контактов MuJoCo.

Пример эскиза в симуляцию показывает разработчика, фотографирующего грубый эскиз на бумаге — на нём изображён гуманоид Apollo 2, бросающий мяч по параболической траектории, чтобы опрокинуть стопку коробок 3-2-1 на столе, — после чего Argon автоматически строит GPU-ускоренную сцену mujoco_warp, синтезирует сбалансированную 76-степенную траекторию броска всего тела и пяти пальцев, проверяет опрокидывание всех 6/6 целей в физике замкнутого контура и экспортирует рендер в Blender 4.5 Cycles.

Физическое понимание: ретроспективная разметка, решение головоломок и функции ценности

Демонстрации физического понимания охватывают агентную мультимодальную ретроспективную разметку, включая детальное понимание ловкости, плотные функции ценности и оценку прогресса.

По словам DeepMind, Argon обладает точным физическим пониманием ловкой манипуляции и может предоставлять детальную сегментацию и текстовую разметку по видео, выявляя неудачные сегменты манипуляции — паузы, нестабильные захваты и промахи. По видео сверху, где двурукий робот ALOHA 2 складывает квадратный лист бумаги в оригами-лисицу за 136 секунд, Argon создаёт выровненную по времени четырёхуровневую иерархию ретроспективных аннотаций: цель эпизода (G1), 6 последовательных семантических подзадач (G2), 17 атомарных примитивов контактного уровня (G3) и автоматическое перевзвешивание контроля качества (QC), удерживающее прогресс задачи неизменным во время промахов и повторов.

Чтобы воссоздать классическую головоломку с 12 шарами и весами с помощью роботов, Argon строит двурукую среду MuJoCo с Franka FR3, содержащую 12 визуально одинаковых бильярдных шаров — один тайно тяжелее или легче — и артикулированные двухчашечные весы Roberval. Затем она пишет решатель только на основе зрения в замкнутом контуре, триангулирует шары по стерео RGB-камерам, визуально считывает наклон весов после каждого взвешивания и за 3 взвешивания изолирует особый шар в лоток Heavy (красный) или Light (синий).

DeepMind также описывает Argon как общую функцию ценности для задач робототехники. Оценённая на 60-секундном двуруком эпизоде сортировки колец из человеческого датасета UMI, Argon итеративно проверяет синхронизированные видео с камер головы, левого и правого захватов вокруг переходов контакта, чтобы генерировать плотные предсказания функции ценности и прогресса задачи, разбивая траекторию на 28 сегментов с положительным, нейтральным и отрицательным наклоном прогресса.

Исследования и самоулучшение: от симуляционных данных к итерациям на железе

Демонстрации исследований и самоулучшения охватывают улучшение действий через симуляцию и итеративное самоулучшение на оборудовании.

Argon может генерировать новые данные в симуляции для повышения производительности универсальных моделей vision-language-action (VLA). Для моделей VLA, зависящих от больших объёмов данных взаимодействия робота, симуляция позволяет масштабировать сбор данных за пределы возможностей физического оборудования. Начиная с одной RGB-фотографии реального стола, она автономно строит калиброванный симуляционный двойник MuJoCo, определяет новые задачи и синтезирует генератор движений в замкнутом контуре для сбора более 4 500 эпизодов с доменной рандомизацией в симуляции. По данным DeepMind, это повысило реальный уровень успеха физического робота с 56% до 75% и сократило время выполнения с 35 секунд до 24 секунд.

На простом 6-степенном манипуляторе Argon также итеративно самоулучшает как скорость выполнения, так и точность размещения в задаче pick-and-place посредством проб и саморефлексии.

Финальная демонстрация охватывает воспроизведение статей по управлению роботами в MuJoCo WebAssembly с одного промпта. С одним промптом на статью Argon читает рукопись по управлению роботами и любые выпущенные чекпоинты, портирует физическую модель и контроллер замкнутого контура — от 7-сетевой иерархической локомоции DeepLoco и PPO-агентов на 50 Гц в HUSKY до Web Worker iLQR в Whole-Body MPC — в самодостаточные браузерные лаборатории MuJoCo WebAssembly и проверяет их в headless Chromium.

Развитие воплощённого интеллекта

По данным DeepMind, Argon соединяет программирование, визуальное восприятие, физическую симуляцию и воплощённое управление роботами. Рассуждая нативно над многоракурсным видео, 3D-геометрией, механикой контактов и проприоцептивной телеметрией, модель понимает не только какие объекты находятся в сцене, но и как они физически взаимодействуют с агентами для выполнения ловких задач всем телом. В совокупности демонстрации охватывают работу, которую команды робототехники обычно распределяют между отдельными инструментами и рабочими процессами — проектирование контроллеров, калибровку симуляции, разметку датасетов и воспроизведение статей.

«Gemini 4 Argon знаменует важную веху, ускоряющую путь к физическому AGI», — говорится в публикации в блоге. «Создавая этот основной интеллект, мы стремимся создать робототехнику, способную работать вместе с людьми над решением сложных задач».

Начало работы

Gemini 4 Argon уже доступна на платформах разработчиков Google, предоставляя разработчикам прямой способ проверить описанные выше возможности:

• Google AI Studio: доступна подписчикам Google AI Ultra через Google AI Studio.
• Gemini API: доступна с платным тарифом Gemini API в AI Studio. Разработчики могут вызывать модель как gemini-4-argon в Interactions API с поддержкой с первого дня во всех SDK google-genai.
• Google Antigravity: доступна подписчикам Google Ultra. Разработчики могут выбрать Gemini 4 Argon (gemini-4-argon) в качестве активной модели в Google Antigravity для сложного планирования, запусков /goal и оркестрации нескольких агентов.