Gemini Robotics 2.5 走进奔驰在役产线:Apollo 2 人形机器人配料成功率达 96%

举报
xiayiyi0 发表于 2026/11/18 11:37:44 2026/11/18
【摘要】 2026 年 11 月 10 日,Google DeepMind 正式发布旗下迄今最强的视觉-语言-动作(VLA)模型 Gemini Robotics 2.5,并披露了其在真实汽车制造产线上的最新试点进展——搭载该模型的 Apptronik Apollo 2 人形机器人已在德国和匈牙利的梅赛德斯-奔驰(Mercedes-Benz)在役生产线上跑通汽车零件配料任务,取得 96% 的任务成功率。...

2026 年 11 月 10 日,Google DeepMind 正式发布旗下迄今最强的视觉-语言-动作(VLA)模型 Gemini Robotics 2.5,并披露了其在真实汽车制造产线上的最新试点进展——搭载该模型的 Apptronik Apollo 2 人形机器人已在德国和匈牙利的梅赛德斯-奔驰(Mercedes-Benz)在役生产线上跑通汽车零件配料任务,取得 96% 的任务成功率。

需要说明的是,本次公布的性能与产线数据均来自 DeepMind 官方披露,目前仍定位为面向实际工业部署的概念验证(Proof-of-Concept)。即便如此,这一整套“大模型数据生成 + 双层具身模型协同 + 产线真机验证 + 开源安全基准”的组合拳,依然清晰勾勒出物理 AI 从实验室迈向工厂车间的最新进度条。


一、走进德国与匈牙利奔驰工厂:人形机器人开始干“散箱配料”

在工业制造中,比抓取固定位置零件更棘手的,是从杂乱散装箱里挑出特定零件并按顺序排好。这次 DeepMind 联合机器人公司 Apptronik 与梅赛德斯-奔驰,把测试直接搬到了德国辛德尔芬根(Sindelfingen)和匈牙利凯奇凯梅特(Kecskemét)的两座在役汽车生产线上。

现场担任“工人”的是 Apptronik 的 Apollo 2 人形机器人(配备 5 指 22 自由度 SharpaWave 灵巧手)。它承担的任务是汽车配料分拣(Automotive Kitting):

  • 从散装料箱中抓取金属汽车支架零件;
  • 按照流水线上不同车辆的具体装配顺序,把零件整齐码放进排序料盘;
  • 在放置过程中实时识别偏差并修正间隙。

为了完成这种多步骤、非结构化的产线作业,系统采用了“大脑规划 + 小脑控制”的双模型协同架构:由具身推理模型 Gemini Robotics ER 负责跟踪整体工作流,再由 Gemini Robotics 2.5 直接控制机械臂与灵巧手完成精细动作。

最终,Apollo 2 在这一产线概念验证中交出了 96% 成功率 的成绩单。Apptronik 联合创始人兼 CEO Jeff Cardenas 表示,模型仅经过几周的后训练就取得了大幅提升,且迁移到奔驰真实车间后几乎没有出现性能衰减。


二、200+ 真实任务横评:成功率提升 30%–100%,速度加快 20%–30%

除了汽车产线试点,DeepMind 还在超过 200 个不同类型的物理操作任务上对 Gemini Robotics 2.5 进行了系统评估,涵盖高级工具使用、柔性变形物体操控以及高精度精细操作——比如用夹子夹取食物、在礼盒上系蝴蝶结、使用移液器移取液体等。

DeepMind 公布的横向对比结果显示:

  • 任务成功率:视任务类型不同,比上一代基线模型提升 30% 至 100%;
  • 执行速度:整体任务完成耗时缩短 20% 至 30%;
  • 跨本体适配:不仅支持 Apollo 2 这类 22 自由度灵巧手人形机器人,也原生兼容 Franka Duo 等双指平行夹爪双臂平台。

值得一提的是,Gemini Robotics 2.5 背后的训练与迭代速度之所以大幅提升,很大程度上得益于 DeepMind 今年 10 月推出的 Gemini 4 Argon。Argon 在研发中充当了“仿真引擎”,能直接根据真实相机画面生成数千次多样化的虚拟练习并构建高保真数字孪生,与真实人类示教数据混合训练;甚至能自己观看真机失败视频,推测故障原因并在仿真与真机上验证修复方案。


三、物理世界不能“乱来”:安全引导升级,开源 ASIMOV-Jailbreak 基准

当机器人走出实验室、进入身边有人类工人协同的真实车间或日常环境时,物理安全与指令鲁棒性就成了不可逾越的红线。为此,DeepMind 在本次发布中重点强化了安全能力:

  1. 推理期实时物理避险引导 Gemini Robotics 2.5 引入了类似安全分类器的“推理时安全引导”(Inference-time Reasoning Guidance),能在执行动作的同时实时绕开物理危险。在内部评测中,这一机制使机器人在静态障碍物周围的安全完成率提升 33%,在人员附近操作的安全完成率提升 43%。
  2. 开源越狱安全基准 ASIMOV-Jailbreak 针对越来越复杂的长程 Agent 机器人任务,DeepMind 同步在 Hugging Face(google/asimov_agentic)开源了全新的 ASIMOV-Jailbreak 安全评估基准。该基准包含跨数十个场景的数百条“伪装在多轮对话中的不安全物理指令”测试样本,专门用来检验机器人决策层会不会被诱导做出危险动作。 根据 DeepMind 公布的测试数据,Gemini 4 Argon 在该基准上的抗越狱率达到 99.5%,较上一代基线模型 Gemini Robotics ER 2(82%) 有明显跃升。

小结

把这组进展放在一起看,可以感受到具身智能落地节奏的两个变化:

  • 考核标准变了:不再只是实验室桌面摆拍,而是开始直接在奔驰这类高节拍在役产线上,用“散箱取件 + 按序配料 + 96% 成功率”这种真实工位指标做概念验证;
  • 安全前置了:从物理空间避障到对话层防越狱(ASIMOV-Jailbreak),具身安全正被当成和“灵巧度”同等重要的核心评测维度来公开。

接下来真正的看点在于:这套 96% 成功率的概念验证,何时能跨过工业产线长尾边界与节拍成本的门槛,从“试点展示”走向“7×24 小时常态化上岗”。


参考资料

  • Google DeepMind 官方博客:Gemini Robotics 2.5 accelerates real-world general dexterity (2026-11-10)
  • 开源安全基准(Hugging Face):google/asimov_agentic
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。