Google DeepMind 宣布推出 Gemini 4 Argon，该公司称其在物理理解、代码生成和视觉语义推理方面实现了重大跃升。在发布于2026年10月13日的 Google DeepMind 博客文章中，模型团队表示，Argon 为机器人技术栈解锁了新的工作流程，加速了迈向物理 AGI 的进程，其目标是让机器人能够与人类协作解决复杂挑战。

能力跃升最直观地体现在具身推理（ERQA）基准上，该基准测试模型理解和解决3D环境中物理、空间问题的能力。据 DeepMind 称，Argon 仅凭纯推理就在该基准上取得87%的成绩，超越其他所有前沿模型。ERQA 之类的基准之所以重要，是因为前沿模型历来主要以语言和编码任务衡量，而在3D环境中对物体、空间和接触进行推理一直是机器人领域的专门难题。

Argon 被定位为通用物理推理模型，旨在应用于机器人技术的完整生命周期。公告展示了四个关键领域的代表性提示：机器人控制、Real2Sim、物理理解以及研究与自我改进。每项演示均配有模型实际运行的影片。

机器人控制：从四足机器人到视频世界模型

机器人控制演示涵盖基于 MuJoCo 练习的移动操作、零样本机器人控制，以及视频世界模型的闭环引导。

在第一项演示中，Argon 控制波士顿动力公司的 Spot 四足机器人（具备12自由度腿部和6自由度机械臂）学习一项新技能：踩上脚踏式垃圾桶扔掉汽水罐。在踩下真实踏板之前，Argon 在 MuJoCo（机器人研究中广泛使用的开源物理仿真器）中构建了垃圾桶的关节式数字孪生体，并在仿真中练习动作，随后踩下真实踏板并将汽水罐投入敞开的垃圾桶。

在零样本控制演示中，Argon 操作一只简单的机械臂将倒下的马克杯扶正并把揉皱的餐巾放入杯中，通过视觉坐标框架和动作基元进行多轮推理。

第三个示例将控制延伸至视频世界模型。Argon 在 Gemini Omni 世界模型中引导机器人，将五块散落的 Scrabble 字母块（G、R、A、N、O）重新排列成整齐的一行，拼出 A-R-G-O-N。Argon 并非发出单一静态提示，而是在闭环视觉回路中引导：它编写带时间戳的动作提示，检查中间 rollout 关键帧，并随 rollout 进展不断改进提示。

Real2Sim：从相机画面和草图到校准仿真

Real2Sim 演示涵盖从机器人相机画面、自我中心视角人类视频或手绘纸面草图中重建经过物理校准的仿真孪生体。该技术回应了机器人领域的一个现实问题：在仿真中迭代比在物理硬件上更快、更安全，但只有当仿真世界忠实匹配真实世界时才有价值。

在第一项演示中，Argon 观看一段真实的机器人遥操作回合并构建数字孪生体，获取或创建在外观和接触行为上与真实物体一致的仿真资产。它通过迭代的视觉推理循环调整资产和场景，直到仿真画面和接触事件与真实记录数据相匹配。

给定一段操作任务的自我中心视角人类视频，Argon 识别与任务相关的物体，将粗糙的边界框替换为针对凹形容器的复合凸分解网格，并将人类手部轨迹重定向到 MuJoCo 接触物理中一个拥有76自由度双臂人形机器人（配备22自由度五指双手）上。

草图转仿真示例中，开发者拍摄一张粗略的纸笔草图——描绘一个 Apollo 2 人形机器人沿抛物线弧掷以推倒桌上3-2-1堆叠的纸箱——Argon 随后自动构建 GPU 加速的 mujoco_warp 场景，合成平衡的76自由度全身及五指投掷轨迹，在闭环物理中验证6/6目标全部被击倒，并导出 Blender 4.5 Cycles 渲染。

物理理解：事后标注、谜题求解和价值函数

物理理解演示涵盖智能体式多模态事后标注，包括对灵巧性的细致理解、密集价值函数和进度估计。

DeepMind 表示，Argon 对灵巧操作具有精确的物理理解，可以从视频中提供细致的分割和文本标注，识别暂停、抓握不稳和失误等糟糕的操作片段。给定一段双臂 ALOHA 2 机器人在136秒内将一张方形纸折成折纸狐狸的俯视视频，Argon 生成时间对齐的四层事后标注层级：回合目标（G1）、6个连续的语义子任务（G2）、17个接触级原子基元（G3），以及自动质量控制（QC）重加权，在失误和重试期间保持任务进度不变。

为了用机器人重现经典的12球天平谜题，Argon 构建了一个双臂 Franka FR3 MuJoCo 环境，包含12颗外观完全相同的台球（其中一颗暗中更重或更轻）和一个关节式 Roberval 双盘天平。随后它编写一个纯视觉的闭环求解器，通过双目 RGB 相机对球进行三角定位，每次称量后目视读取天平倾斜，并在3次称量内将异常球隔离到重（红色）或轻（蓝色）托盘中。

DeepMind 还将 Argon 描述为机器人任务的通用价值函数。在来自人类 UMI 数据集的60秒双臂分环回合上进行评估时，Argon 在接触转换附近迭代检查同步的头部、左夹爪和右夹爪相机画面，生成密集价值函数和任务进度预测，将轨迹分解为28个具有正向、中性和负向进度斜率的片段。

研究与自我改进：从仿真数据到硬件迭代

研究与自我改进演示涵盖通过仿真改进动作以及在硬件上的迭代自我改进。

Argon 可以在仿真中生成新数据，以提升通用视觉-语言-动作（VLA）模型的性能。对于依赖大量机器人交互数据的 VLA 模型而言，仿真提供了一种超出物理硬件限制扩展数据收集的途径。从真实桌面的一张 RGB 照片出发，Argon 自主构建经校准的 MuJoCo 仿真孪生体，定义新任务，并合成一个闭环运动生成器，在仿真中收集超过4,500个域随机化回合。据 DeepMind 称，这将真实世界物理机器人的成功率从56%提升至75%，并将完成时间从35秒缩短至24秒。

在一个简单的6自由度机械臂上，Argon 还通过试错和自我反思，在抓取放置任务上迭代自我改进执行速度和放置精度。

最后一项演示展示如何用单一提示在 MuJoCo WebAssembly 中复现机器人控制论文。每篇论文仅需一个提示，Argon 即可阅读机器人控制论文及任何已发布的检查点，将物理模型和闭环控制器——从 DeepLoco 的7网络分层运动控制、HUSKY 的50 Hz PPO 智能体到全身 MPC 的 Web Worker iLQR——移植到自包含的 MuJoCo WebAssembly 浏览器实验室中，并在无头 Chromium 中进行验证。

推进具身智能

据 DeepMind 介绍，Argon 连接了编码、视觉感知、物理仿真和具身机器人控制。通过在多视角视频、3D几何、接触力学和本体感受遥测数据上进行原生推理，该模型不仅能理解场景中有哪些物体，还能理解它们如何与智能体物理交互以完成全身灵巧任务。综合来看，这些演示覆盖了机器人团队通常分散在不同工具和工作流程中的工作——控制器设计、仿真校准、数据集标注和论文复现。

博客文章指出："Gemini 4 Argon 标志着加速迈向物理 AGI 的重要里程碑。通过构建这一核心智能，我们的目标是让机器人能够与人类协作解决复杂挑战。"

开始使用

Gemini 4 Argon 现已在 Google 的开发者平台上线，让开发者可以直接测试上述能力：

• Google AI Studio：Google AI Ultra 订阅者可通过 Google AI Studio 使用。
• Gemini API：AI Studio 中 Gemini API 付费层可用。开发者可以在 Interactions API 中以 gemini-4-argon 调用模型，google-genai SDK 自首日起提供支持。
• Google Antigravity：Google AI Ultra 订阅者可用。开发者可在 Google Antigravity 中选择 Gemini 4 Argon（gemini-4-argon）作为当前模型，用于复杂规划、/goal 运行和多智能体编排。