11月20日,谷歌发布通用物理推理模型Gemini 4 Argon,定位为面向机器人控制、Real2Sim场景构建、机器人视频多模态标注以及迭代策略优化的模型,而非单一的末端执行器策略。该模型通过付费Gemini API(模型ID为gemini-4-argon)及Google AI Ultra订阅向用户开放。

在谷歌公布的提示词案例中,Argon在MuJoCo孪生环境中训练后,引导波士顿动力公司的Spot机器人完成脚踏板任务;利用视觉坐标和HTTP运动原语操控机械臂;并通过Gemini Omni视频世界模型实现闭环控制。Real2Sim示例从遥操作视频重建MuJoCo场景,标注提示则对演示视频进行标注以实现行为克隆。谷歌还报告称,从一张RGB照片合成领域随机化MuJoCo场景并微调视觉-语言-动作策略后,真实环境任务成功率从56%提升至75%。

在具身推理问答(ERQA)基准测试中,Argon仅凭纯推理、不借助辅助工具便取得87%的得分,谷歌称该结果领先于其他前沿模型。不过,相关博文使用了针对特定任务的大段提示词、坐标网格、运动原语和验证器,辅助结构成为被测系统的一部分,谷歌仅公布单个VLA案例,未公布各项演示的失败率。

早期从业者的反应集中在模拟保真度上。开发者Davin YC Dong指出,演示不仅从视觉维度校准仿真孪生体,还针对真实世界的物理接触事件做专项调优,而场景看起来逼真并不代表物理行为正确。开发者pulpmatrix则呼吁保持信息来源严谨,称Video-to-Sim-to-Real技术确实存在,但流传的玉米洞游戏案例既无论文也无代码库和命中率数据。