概要
Gemini Robotics-ER 1.5は、ロボット向けの身体性推論に特化した視覚言語モデルです。ロボットの高水準の判断役として、視覚・空間理解、タスク計画、進捗の推定を行います。2025年9月25日にプレビュー版として公開されました。(developers.googleblog.com)
能力と用途
- テキスト、画像、動画、音声を入力として受け取り、テキストを出力します。入力上限は1,048,576トークン、出力上限は65,536トークンです。(ai.google.dev)
- 物体の位置を2D座標で示す空間推論や、動画内の動きの理解、タスクの分解、進捗・成功の判断に対応します。
- 関数呼び出しを通じて、ロボットのハードウェアAPI、把持モデル、動作制御用の視覚言語行動モデルなどと連携できます。用途には、机の片付けや複数段階の組み立て計画などがあります。
- 思考予算を調整し、推論にかける時間と応答速度のバランスを変更できます。(developers.googleblog.com)
制限と提供状況
- 本モデルは高水準の推論・計画を担うもので、実際のロボット動作には外部の制御APIや行動モデルなどとの連携が必要です。モデルの安全対策だけでは物理システムの安全性を保証できず、開発者による緊急停止、衝突回避、リスク評価などが必要です。(developers.googleblog.com)
- Googleの廃止一覧によると、このプレビュー版の提供終了日は2026年4月30日です。2026年11月18日時点の同一覧では、移行先として
gemini-robotics-er-2-previewが示されています。(aistudio.google.com)
料金
2026年11月18日時点で、このモデルのGoogle公式料金表における入力・出力それぞれの料金、通貨および課金単位は確認できませんでした。金額は未確認です。現行の公式料金表には後継モデルの料金が掲載されていますが、本モデルの料金としては扱いません。(ai.google.dev)