Google DeepMind 宣布推出 Gemini 4 Argon，該公司形容此模型在物理理解、程式碼生成與視覺語義推理方面帶來重大躍進。在 2026 年 10 月 13 日發布於 Google DeepMind 部落格的文章中，模型團隊表示它為機器人技術堆疊解鎖了新的工作流程，並加速邁向物理 AGI 的進程，其目標是讓機器人能與人類協作解決複雜挑戰。

這項能力躍進在具身推理（ERQA）基準測試上最為明顯，該測試評估模型理解並解決 3D 環境中物理與空間問題的能力。據 DeepMind 表示，Argon 僅透過純推理便在此基準上取得 87% 的分數，超越所有其他前沿模型。ERQA 這類基準之所以具分量，是因為前沿模型過去主要在語言與程式碼任務上被衡量，而對 3D 環境中物體、空間與接觸的推理，一直是機器人領域的專門挑戰。

Argon 被定位為通用型物理推理模型，設計上可應用於機器人的整個生命週期。此次公告展示了四大關鍵領域的代表性提示：機器人控制、Real2Sim、物理理解，以及研究與自我改進。每項示範皆附有模型實際運作的影片。

機器人控制：從四足機器人到影片世界模型

機器人控制示範涵蓋搭配 MuJoCo 練習的移動操作、零樣本機器人控制，以及對影片世界模型的閉環操控。

在第一項示範中，Argon 控制 Boston Dynamics Spot 四足機器人——一個具備 12 自由度腿部與 6 自由度手臂的平台——學習一項新技能：踩上腳踏式垃圾桶的踏板來丟棄汽水罐。在踩上實體踏板之前，Argon 先在 MuJoCo——一個在機器人研究中廣泛使用的開源物理模擬器——中建立垃圾桶的關節式數位孿生，並在模擬中練習動作，接著才踩上真實踏板，將汽水罐投入打開的垃圾桶。

在零樣本控制示範中，Argon 操作一台簡單的機械手臂，將倒下的馬克杯扶正並把揉皺的餐巾紙放入杯內，透過視覺座標框架與動作基元在多輪中進行推理。

第三個範例將控制延伸至影片世界模型。Argon 在 Gemini Omni 世界模型中操控機器人，將五塊散落的 Scrabble 字磚（G、R、A、N、O）重新成整齊一排，拼出 A-R-G-O-N。Argon 並非發出單一靜態提示，而是在閉合的視覺迴路中操控：它撰寫帶時間戳的動作提示、檢查中間滾動關鍵影格，並隨著滾動進行逐步修正提示。

Real2Sim：從攝影機畫面與草圖到校準模擬

Real2Sim 示範涵蓋從機器人攝影機畫面、以自我為中心的人類影片或手繪紙本草圖，重建經過物理校準的模擬孿生。這項技術因應機器人領域的實際情況：在模擬中迭代比在實體硬體上更快、更安全，但只有在模擬世界忠實對應真實世界時才能發揮效益。

在第一個範例中，Argon 觀看一段真實的機器人遙操作過程並建立數位孿生，取得或建立在外觀與接觸行為上都與靈巧手接觸的真實物件一致的模擬資產。它在迭代式視覺推理迴路中調整資產與場景，直到模擬視覺與接觸事件與真實錄製資料相符。

給定一段操作任務的以自我為中心人類影片，Argon 會識別任務相關物件，將粗糙的邊界框替換為適用於凹面容器的複合凸分解網格，並將人類手部軌跡重定向到 MuJoCo 接觸物理中具 22 自由度五指雙手的 76 自由度雙臂人形機器人上。

草圖轉模擬範例顯示，開發者拍攝一張粗糙的紙筆草圖照片——描繪一台 Apollo 2 人形機器人沿拋物線弧投球，以推倒桌上 3-2-1 堆疊的箱子——之後 Argon 自動建構 GPU 加速的 mujoco_warp 場景，合成平衡的 76 自由度全身與五指投擲軌跡，在閉環物理中驗證 6/6 目標全數倒下，並匯出 Blender 4.5 Cycles 渲染。

物理理解：事後標註、解謎與價值函數

物理理解示範涵蓋代理式多模態事後標註，包括對靈巧性的詳細理解、密集價值函數與進度估計。

DeepMind 表示，Argon 對靈巧操作具有精確的物理理解，能從影片提供詳細的分割與文字標註，識別出暫停、不穩定抓取與失誤等不良操作片段。給定一段雙臂 ALOHA 2 機器人在 136 秒內將方形紙張摺成摺紙狐狸的俯視影片，Argon 產出時間對齊的四層事後標註層級：回合目標（G1）、6 個連續的語義子任務（G2）、17 個接觸層級的原子基元（G3），以及在失誤與重試期間將任務進度維持持平的自動化品質控制（QC）重新加權。

為了用機器人重現經典的 12 顆球天平謎題，Argon 建構了一個雙臂 Franka FR3 MuJoCo 環境，包含 12 顆外觀完全相同的撞球（其中一顆暗藏較重或較輕）與一台關節式 Roberval 雙盤天平。接著它撰寫一個僅靠視覺的閉環求解器，從立體 RGB 攝影機對球進行三角定位，在每次稱重後以視覺讀取天平傾斜，並在 3 次稱重內將異常球隔離至重（紅）或輕（藍）托盤。

DeepMind 亦將 Argon 描述為機人任務的通用價值函數。在人類 UMI 資料集中一段 60 秒的雙臂套環分類過程上評估時，Argon 在接觸轉換前後迭代檢視同步的頭部、左夾爪與右夾爪攝影機畫面，生成密集價值函數與任務進度預測，並將軌跡分解為 28 個具有正向、中性與負向進度斜率的片段。

研究與自我改進：從模擬資料到硬體迭代

研究與自我改進示範涵蓋透過模擬改進動作，以及在硬體上的迭代自我改進。

Argon 可以在模擬中生成新資料，以提升通用視覺-語言-動作（VLA）模型的效能。對依賴大量機器人互動資料的 VLA 模型而言，模擬提供了一種超越實體硬體限制來擴大資料收集的方式。從真實桌面的一張 RGB 照片出發，Argon 自主建構經校準的 MuJoCo 模擬孿生、定義新任務，並合成閉環運動產生器，在模擬中收集超過 4,500 條域隨機化過程資料。據 DeepMind 表示，這使真實世界實體機器人的成功率從 56% 提升至 75%，完成時間從 35 秒縮短至 24 秒。

在一台簡單的 6 自由度手臂上，Argon 亦透過嘗試與自我反思，迭代改進抓取放置任務的執行速度與放置精準度。

最後一項示範是在 MuJoCo WebAssembly 中以單一提示重現機器人控制論文。每篇論文只需一個提示，Argon 便能閱讀機器人控制手稿與任何已釋出的檢查點，將物理模型與閉環控制器——從 DeepLoco 的 7 網路階層式運動，到 HUSKY 的 50 Hz PPO 動作者，再到全身 MPC 的 Web Worker iLQR——移植為自包含的 MuJoCo WebAssembly 瀏覽器實驗室，並在無頭 Chromium 中進行驗證。

推進具身智慧

據 DeepMind 表示，Argon 橋接了程式編寫、視覺感知、物理模擬與具身機器人控制。透過對多視角影片、3D 幾何、接觸力學與本體感測遙測的原生推理，此模型不僅理解場景中有哪些物體，更理解它們如何與代理物理互動以完成全身靈巧任務。綜觀而言，這些示範涵蓋了機器人團隊通常分散於不同工具與工作流程的工作——控制器設計、模擬校準、資料集標註與論文重現。

部落格文章指出：「Gemini 4 Argon 標誌著加速邁向物理 AGI 路徑的重要里程碑。透過建構這種核心智慧，我們的目標是讓機器人能與人類協作解決複雜挑戰。」

開始使用

Gemini 4 Argon 今日已在 Google 的開發者平台上線，讓開發者能直接測試上述能力：

• Google AI Studio：Google AI Ultra 訂閱者可透過 Google AI Studio 使用。
• Gemini API：AI Studio 中 Gemini API 付費層級可用。開發者可在 Interactions API 中以 gemini-4-argon 呼叫模型，google-genai SDK 自首日起即提供支援。
• Google Antigravity：Google AI Ultra 訂閱者可用。開發者可在 Google Antigravity 中選取 Gemini 4 Argon（gemini-4-argon）作為使用中的模型，用於複雜規劃、/goal 執行與多代理編排。