模型定位
Gemini Robotics-ER 是 Google 基于 Gemini 2.0 推出的视觉语言模型,ER 指“具身推理”。它侧重机器人所需的空间理解,可与机器人现有的低层控制器配合使用;它不同于以物理动作作为输出、用于直接控制机器人的 Gemini Robotics。(deepmind.google)
能力与用途
- 支持物体检测、指向物体部位、多视角对应和三维物体检测等空间理解任务。
- 可用于感知、状态估计、空间理解、规划及代码生成;例如,根据杯子图像推断抓握杯柄的方式和接近路径。
- 可通过少量人类演示进行上下文学习。Google 表示,在其端到端机器人控制评估中,该模型的成功率达到 Gemini 2.0 的 2–3 倍;这一结果不应视为所有任务的通用表现。(deepmind.google)
限制与使用条件
- 发布时,Google 与少量受信任的测试者合作,包括 Agile Robots、Agility Robots、Boston Dynamics 和 Enchanted Tools;初代模型当前的具体访问条件未核实。(deepmind.google)
- 模型生成的推理、代码或动作建议可能出错。实体机器人仍需针对具体硬件实施低层安全控制,包括避碰、接触力限制和动态稳定性保障。(ai.google.dev)
- 官方后续推出了 Gemini Robotics-ER 1.5 等版本;其功能、接口和价格不能直接视为本条初代模型的属性。(deepmind.google)
价格
截至 2026-11-19,未核实初代 Gemini Robotics-ER 的官方输入或输出计费价格、币种及计费单位。官方定价页面中后续版本的报价不应套用于初代模型。查询来源:Google Gemini API 官方定价。(aistudio.google.com)
发布日期与来源
- 发布日期:2025-03-12。
- 官方公告:Gemini Robotics brings AI into the physical world。(deepmind.google)