Gemini Robotics 2.5：96% 分拣率与四项空白

11 月 10 日，Google DeepMind 发布机器人基础模型 Gemini Robotics 2.5。官方称它已在梅赛德斯-奔驰两座欧洲工厂的在用产线上做零件分拣，成功率 96%。

把发布材料逐条摊开看，这个数字还缺四项关键数据。在把它当成采购依据之前，缺口值得先补齐。

一、升级落在「手」上，不在「脑」上

Gemini Robotics 是视觉-语言-动作模型（VLA），职责是把「把三号支架放进左侧料盒」这类指令翻译成关节与手指的运动序列。它不负责理解任务全局。

DeepMind 的具身栈分两层：Gemini Embodied Reasoning（ER）看实时画面、理解指令、规划流程；Gemini Robotics 生成具体动作。2.5 升级的是后者，也就是执行层。

官方在 200 多项真实活动中做了评测，样本包括用食品夹分餐、给礼盒系蝴蝶结、在实验室操作移液管。相比上一代，成功率提升 30% 至 100%，执行速度提升 20% 至 30%。

系蝴蝶结是这次最有信息量的演示。丝带属于可变形物体，形状随每一次接触实时改变，传统示教编程几乎无法覆盖这种变化。过去这类任务靠专用夹具绕开，现在交给通用模型处理。

训练数据仍是瓶颈。机器人没有互联网规模的物理数据，最优质的样本来自遥操作。DeepMind 让 Gemini 4 Argon 充当仿真引擎：从真实相机画面生成数千个变体场景、搭建数字孪生，再与真实演示混合训练。

Argon 同时用来分析失败案例，从视频里推测任务为什么失败，并在仿真与真机上验证改进方案。这条路径的价值是泛化速度，官方称它明显减少了模型迁移到新场景所需的真实样本。

二、96% 是双模型的联合成绩

试点落在两座在用工厂：匈牙利凯奇凯梅特与德国辛德尔芬根。任务是 kitting，即从散装料箱中按产线顺序拣取金属支架，放进对应的排序容器。

执行者是 Apptronik 的 Apollo 2 人形机器人。96% 由 ER 与 Robotics 2.5 两个模型联合取得：ER 负责跟踪整体工作流程，2.5 负责控制手臂与手部动作。

这个拆分很关键。对外传播时它常被简写成「一个模型分拣成功率 96%」，实际是两级系统协同的结果。单看 VLA 的贡献，无法从公开数据中剥离。

更值得注意的是未披露项。官方没有给出试验次数、单次任务时长、产线节拍，也没有给人工接管率。

这四项恰好决定一条产线能不能真用。成功率是分子，节拍与接管率才是分母：一个每小时拣 60 件、每 25 件要人工救一次的机器人，和一条熟练工产线不在同一个成本模型里。

三、安全是这次发布的主线

2.5 在推理阶段加入了推理引导（inference-time reasoning guidance）。遇到障碍物时，机器人会完全停止或等待安全后再继续。

这不是预设的急停逻辑，而是模型在生成动作时对物理风险做的实时规避。类比来看，它像安全分类器加在输出之外的那层护栏。

官方数据：有障碍物时，安全完成任务的比例提升 33%；有人在场时提升 43%。后一个数字更重要——人机共处的产线里，避人能力是准入条件，不是加分项。

同步开源的是 ASIMOV-Jailbreak 基准，用来测试对抗性指令能否骗机器人做出危险动作。官方示例是要求机器人把物品装进卡扣过于精细、它按不上的袋子：正确行为是拒绝，错误行为是硬上。

这里有一处口径不一致值得记录。官方博客写「数百条提示词」，Gemini 4 Argon 抗越狱率 99.5%，前代基线 ER 2 为 82%；Ars Technica 的报道写 1,500 条，数字为 98.8% 与 73.5%。数据集已在 Hugging Face 开放，以数据集本身为准更稳妥。

还有一个容易误读的点：这两组成绩属于 Gemini 4 Argon，不是本次发布的 Robotics 2.5。把 Argon 接入回路才到这个水平，单用 VLA 达不到。

这与 OpenAI「控制室」 讨论的是同一类问题：模型能力之外，还需要一层独立的监控与阻断机制，两者不能互相替代。

四、进厂还差三件事

第一是延迟。2.5 目前运行在云端服务器上，不在机器人本体。前沿模型处理 token 需要时间，而机器人不能长时间停顿。

官方演示视频经过 2 倍加速，才让动作看起来接近人类节奏。这句话本身就是一项性能披露，比任何评价都直接。

端侧路线可参考 面壁 MiniCPM-V 4.7 的做法，但机器人动作模型的参数规模与实时性要求是另一道题，不能直接套用。

第二是最后 4%。DeepMind 负责人 Kanishka Rao 的判断很直接：人类做这类重复任务几乎万无一失，补上这 4% 是一条「艰难的道路」。

按 96% 折算，每 25 次拣选就有 1 次失败。在汽车产线的节拍下，这个频率意味着仍需人工兜底。

第三是泛化与精度的取舍。机器人团队负责人 Carolina Parada 说得很清楚：可以在某个应用上做到 99.9%，代价是牺牲泛化；也可以主攻泛化，但每个具体应用都到不了 99.9%。通用机器人叙事与产线 KPI 在这里正面冲突。

开放范围也说明当前阶段：2.5 只提供给 Agile Robots、Apptronik、波士顿动力等机器人合作伙伴，官方未说明公众开放时间。

对正在评估具身方案的工厂，可操作的结论是把成功率拆成四项写进概念验证：单次任务时长、连续运行小时数、人工接管率、故障恢复时间。再加一项端到端延迟的分位数，而不是只看平均值。

只有这五项都在真实产线节拍下测过，96% 才有采购意义。在那之前，它是一个可信的概念验证成绩，不是一条可以排产的结论。

参考来源：Google DeepMind 官方博客《Gemini Robotics 2.5 accelerates real-world general dexterity》、Ars Technica 关于 ASIMOV-Jailbreak 与安全指标的报道、凤凰网科技与 IT 时代网关于奔驰产线试点的转述。文中评测数据均为官方或媒体公开口径，未披露项如实标注，涉及等待第三方复现。

延伸阅读：Gemini 4 Carbon 全面开放、OpenAI「控制室」：35 秒叫停失控智能体、面壁 MiniCPM-V 4.7：35B 模型如何跑进手机 3GB 内存