定位与发布日期
Gemini Robotics ER 2 Preview 是面向机器人的视觉语言模型(VLM)预览端点,基于 Gemini 3.5 Flash,侧重具身推理,可作为机器人系统的高层规划与协调模块。Google 于 2026 年 7 月 30 日宣布通过 Gemini API 公开预览该端点。(aistudio.google.com)
能力与用途
- 接收文本、图像、视频和音频输入,输出文本;输入上限为 131,072 token,输出上限为 65,536 token。(ai.google.dev)
- 支持空间和时间推理、视频关键时刻查找、任务进度分类、成功或失败检测、仪表读数、多步骤工具调用和多机器人协调。(aistudio.google.com)
- 可用于机器人任务规划、监测执行进度、根据故障调整步骤,以及协调不同机器人完成共同任务。运动执行通常交给底层视觉语言动作(VLA)模型或机器人控制接口;本端点本身并非低层电机控制器。(blog.google)
- 支持函数调用、代码执行、结构化输出、思考、上下文缓存和 Batch API 等功能。(ai.google.dev)
限制
- 此模型为预览版;标准端点不支持 Live API、音频生成或图像生成。实时双向流式功能属于另一个独立端点
gemini-robotics-er-2-streaming-preview,不应与本端点混同。(ai.google.dev) - Google 的模型卡要求用户在生产、商业或公共环境使用前审慎判断,并规定不得将机器人模型用于医疗、交通等故障可能造成人员伤亡或财产损失的安全关键应用。(deepmind.google)
价格
以下为 Gemini Developer API 对本标准端点公布的美元(USD)价格,查询日期为 2026 年 11 月 16 日。输入价格适用于文本、图像、视频和音频;输出价格包括思考 token。不同平台的价格不一定相同。(aistudio.google.com)
| 计费方式 | 截至 2026 年 12 月 31 日 | 自 2027 年 1 月 1 日起 |
|---|---|---|
| 标准输入 | USD 1.00/百万 token | USD 2.00/百万 token |
| 标准输出 | USD 5.00/百万 token | USD 10.00/百万 token |
| Batch 输入 | USD 0.50/百万 token | USD 1.00/百万 token |
| Batch 输出 | USD 2.50/百万 token | USD 5.00/百万 token |
| 标准上下文缓存 | USD 0.10/百万 token | USD 0.20/百万 token |
| Batch 上下文缓存 | USD 0.05/百万 token | USD 0.10/百万 token |
| 缓存存储 | USD 0.50/百万 token/小时 | USD 1.00/百万 token/小时 |
标准调用的免费层输入和输出免费;Batch 免费层不可用。Google Search 接地在付费层每月有 5,000 次免费搜索请求,额度由 Gemini 3 及更新模型共享,超出后为 USD 14/1,000 次请求,且受每日请求上限约束。(aistudio.google.com)