整个身体交给模型：机器人自己走到桌边、拿起浇水壶、放上架子

Gemini Robotics 前几代只管人形机器人的上半身：机器人站在那儿不动，两只手在桌上摆弄东西，手够不着的就干不了。想让它走两步换个位置，得另外写一套程序，不是模型自己想出来的。

现在整个身体都归模型管了。演示的机器人叫 Apollo 2，Apptronik 做的。给它的指令就一句话：把浇水壶放进最下层架子上的绿色箱子里。它自己走到桌边，拿起浇水壶，走几步到架子跟前，放进去。

难的地方在于走路、蹲下、弯腰、伸手得一起配合，身体一动重心就跟着变，模型还要让它站得稳。以前这些动作是工程师一条条编死的，现在由模型自己一步步想出来。

它在移动速度上还有很多要进步的地方。视频里它走得慢，别指望像人一样利索。

同样这套能力挪到一间摆满货架的储物间，它在货架之间取放东西：

成绩单：同一份模型权重，三种身体，11 个数字

这三张跑分图有一个容易被跳过的前提：三组测试用的是同一个模型存档（checkpoint），分别装在三种不同的机器人身体上。分数本身是次要的。

全身任务和夹爪任务落在中到高的区间，多指灵巧操作依然是难点。11 个数没有一个带对照，既没跟上一代比，也没跟别家比，所以「比以前进步了多少」从这批材料里得不出来。

三项全身操作里，只有从地面拿取要整个人蹲下去再站起来，它是三项里最差的一项。把 11 个数按高低排一遍，分布很说明问题：

五根手指那只手的成绩是两极的：最高分是它打的，最低的四项也全是它。

五根手指的竟然不如两根的

这一代的卖点之一是「手和夹爪都能用」，所以两种末端都测了一遍，装在两台不同的机器人上。

五指的那只叫 SharpaWave，装在 Apollo 2 上，五根手指、22 个自由度（这只手能独立活动的方向数，不等于关节数）。它接的活是打结、封密封袋这类要靠指尖配合的细活。另一台是德国 Franka 的双臂机器人，装的是最常见的两指平行夹爪，两片钳口一开一合，只会捏。

按常理，五根手指能干的事应该多得多。成绩反过来了：五指手五项平均 48.8%，夹爪三项平均 80.9%，只有夹子的六成。

五根手指那只手，五项里有四项在五成以下：

两根手指的夹爪，三项全部在七成以上：

两边各取平均：五根手指五项平均 48.8%，两根手指三项平均 80.9%。前两个数是「平均的平均」，因为夹爪那三项本身已是多任务均值。

这三张图共用的那条图注里，Google 写了这么一句：

Gemini Robotics 2 在全身任务和基于夹爪的灵巧任务上达到了中到高的成功率，而多指灵巧操作依然很难。

Google DeepMind · Gemini Robotics 2 发布页图注

这张表里有两个数字放在一起特别说明问题：拧下灯泡 92%，拧上灯泡 36%。同一个物体、同一只手，方向反过来成功率掉了一半还多。

拆卸只要夹住、反转、拿开；装配要先把螺纹对上，边转边判断阻力，还得知道拧到什么程度算紧。装配类动作对力控和视觉反馈的要求，比拆卸高出一个量级，

这两个数摆成一百个格子是这样：

灵巧操作那段视频里就是这几项细活：拿灯泡、捏着装了葡萄的自封袋、给一个白色袋子扎口。放出来的都是成的那几次。这几类活对应的成功率大致是：灯泡看方向，往外拧 92%、往里拧 36%；自封袋 40%；给袋子扎口那一项，跑分表里叫「系垃圾袋」，44%。

力控这条线还有个硬件前提：手上没有触觉反馈，机器人就不知道自己捏住了没有、拧到位了没有，只能靠眼睛看。

ER 2 现在能说出任务干了几成，也能指出关键动作发生在哪一秒

ER 2 这次升的两样本事都跟「看视频看懂时间」有关。

ER 2 能说出这活干到了几成

做法是把摄像头画面的每一帧归到五个档里：干了 0 到 20%、20 到 40%、40 到 60%、60 到 80%、80 到 100%。ER 2 挑对档位的准确率是 57.4%。

五个档瞎猜也能中 20%，所以 57.4% 明显有本事，但离靠得住还差得远。有了这个，机器人能自己发现第三步没做成，只把第三步重做一遍，不用整个任务从头再来。

该停手的那一刻，它指得准到差不足一秒

比方说咖啡什么时候该停下别倒了、灯泡什么时候算拧紧了。这一项准确率 91.3%，它指的那一帧跟真的那一帧平均差 0.96 秒。它在这项上跟大得多的模型打得差不多，但算力便宜、执行快 4 倍。而不到一秒这个量级，正是真机器人能安全干活的前提。

边执行边想下一步，中间不停顿

ER 2 接进了 Gemini Live API 的双向流式接口，视频、声音、文字一路灌进去，它一边执行一边想下一步，不会出现那种「停下来想想」的顿卡。它也能自己调工具，Google 搜索，或者你自己写的功能。

配套演示是拿 ER 2 指挥波士顿动力的 Spot 机器狗，一句话让它去把爆米花取回来。代码放在 GitHub 上。

两台不同型号的机器人开始互相交接活

这个大脑能盯的不止一台机器人。新增的能力叫多机器人协作：不同型号的机器人互相通信、把手上的活交接给对方。

没有一种机器人万能。轮式底盘在室内跑得又稳又省电，人形机器人在不平的地面上更行。两种凑一起，才能接下一台机器人单干干不完的流程。

ER 2 现在也扛得住更长的流程了：一趟持续好几分钟、中间几百个决策，而且它知道一个任务什么时候算开始、什么时候算结束。

换一个形状完全不同的机器人身体，几个小时、不到 200 个示范就能上手

同一个模型换到另一款机器人上，通常等于从头再来一遍，这是每家机器人公司都要吃的成本。On-Device 2 主打的就是这件事。

它天生就支持多种身体，靠的是上一代 Gemini Robotics 1.5 就有的「动作迁移」（motion transfer）：在一种身体上学会的动作，搬到另一种身体上还能用。现在换一台新的双臂机器人只要几个小时，通常不到 200 个示范，也就是给它演示不到两百遍。形状、传感器、关节数差得很远也行。

它跑在机器人本机上，是因为很多场合等不起网络延迟，或者根本就没网。

人走近了它会不会停下来：四个模型没有一个能既不漏停也不瞎停

机器人要站到人身边干活，就得认得出走过来的人，该停手的时候停手。Google 为这件事单出了一份技术报告《Gemini Robotics 2: Safety Evaluations》，还放出一套新考题 ASIMOV-Agentic，拿四个模型一起考：ER 2、上一代 ER 1.6、GPT 5.5、Claude Opus 4.8。

最基础的一项是估距离：给它一对双目照片，让它说出最近的人离多远。ER 2 平均差 0.36 米，判断「有人进了一米内」准确率 93.0%，四个里最好的一个。GPT 5.5 是 0.53 米 / 79.2%，Claude Opus 4.8 是 0.54 米 / 81.7%；上一代 ER 1.6 差得远，平均差 1.40 米、准确率只有 51.1%。

换成连续看画面、自己决定要不要按下停机键，就难多了。两种错误在这儿互相顶：漏停是人已经走近了它没停，会撞到人；瞎停是没人靠近它也停了，只耽误干活。四个模型各站在一个位置上，你可以一个个点开看：

瞎停只是耽误干活，漏停会撞到人，所以物理安全上必须先把漏停压下去，ER 2 站的就是这个位置。报告给出的结论也在这儿：眼下最好让这些模型跟另一套不靠模型判断、规则写死的刹车系统配着用，别单独指望它。

以上是拿录好的画面考各家模型。换到真机器人上数字好看得多，车库里让 Apollo 2 做分拣，一个人从桌子对面各种角度靠过来：

怎么用：ER 2 已经在 API 上，两个动手的还要申请

ER 2 有两个接口名，gemini-robotics-er-2-preview 是标准版，gemini-robotics-er-2-streaming-preview 走实时流式。付费档输入每 100 万字 2 美元、输出 10 美元，它思考时吐的字算在输出里；标准那个还有一档批处理价，输入输出各对折，流式那个没有。

致谢里点名的硬件合作方是 Apptronik、Boston Dynamics 和 Agile Robots。

这次发布里最反直觉的一点，藏在那句图注里。

行业惯例是只放最好看的那个数字。DeepMind 这回把「从地面拿取 45.7%」「用簸箕 32%」直接印在图表上，还专门写了一句多指操作仍然困难。

一个可能的解释是，他们这次要证明的东西换了。要证明的是同一份模型权重能同时驱动三种完全不同的身体，单项任务做得多好是次要的。当卖点从单项成绩换成通用性，低分反而成了证据的一部分：45.7% 是这份权重跑出来的，32% 也是。

这也意味着，判断机器人模型进展的标尺可能要换了。以前看单任务成功率，接下来更该看的是同一份权重能覆盖多少种身体，以及换一个身体需要多少数据。按这把尺子量，这次真正的数字是 200 个示范和几个小时。

这一系列前几代只管人形机器人的上半身：站在原地，两只手在桌上摆弄，手够不着的就干不了。这次整个身体归模型管了，从脚到指尖。

难就难在走路、蹲下、弯腰、伸手得一起配合，身体一动重心就跟着变，模型还要让它站得稳。发布页里另有一句限定：它在移动速度上还有很多要进步的地方，视频里它走得慢。

三组测试用的是同一个模型存档（同一份训练好的参数），分别装进三种不同的机器人身体。11 项任务的成功率被原样公开，包括最低的那几个。

五根手指五项平均 48.8%，两根手指的夹爪三项平均 80.9%，只有夹子的六成（本站按图上数字算）。同一只手拧灯泡，往外拧 92%、往里拧 36%，差 2.6 倍，发布页只给了数字没给原因。Google 在图注里写的一句是：多指灵巧操作依然很难。

这 11 个数全部由 Google DeepMind 自己测、自己公开，暂无第三方复现；也没有一个数带对照，既没跟上一代比，也没跟别家比。

已经公开的那个大脑这一代学会了看时间：它能说出一件活干到了几成，也能指出该停手的那一刻发生在哪一秒（咖啡什么时候该停止倒），机器人因此可以只重做失败的那一步，不用整个任务从头再来。它还能同时调度两台不同型号的机器人互相交接活，演示里是人形的 Apollo 2 和双臂的 Franka F3 Duo。至于换身体，On-Device 2 挪到一台形状差很远的新机器人上，几个小时就能上手。

机器人要站到人身边干活，就得认得出走过来的人。这里有两种错误在互相顶：漏停是人已经走近了它没停，会撞到人；瞎停是没人靠近它也停了，只耽误干活。Google 同日放出一份安全技术报告，拿四个模型考了一遍。

换到真机器人上数字好看得多：车库里让 Apollo 2 做分拣，一个人从各种角度靠过来，检测到有人 99%、成功放稳手里的东西退回安全姿态 96%。