Gemini Robotics 2.5 深度：奔驰产线分拣 96% 与越狱抗性 99.5%

一句话结论：Google DeepMind 于 2026 年 11 月 10 日发布 Gemini Robotics 2.5，这是它迄今最强的视觉-语言-动作模型，在 200 多项任务上把成功率较上一代基线抬高 30% 到 100%，并已在梅赛德斯-奔驰两条汽车产线上以 96% 的分拣成功率完成真实零件上料作业。

这是具身智能从实验室指标走向工厂节拍的一次可量化推进。此前大多数机器人基础模型的成绩只存在于评测台架上，而这一次 Google 把同一套模型放进了匈牙利凯奇凯梅特和德国辛德尔芬根的量产线，让 Apptronik 的 Apollo 2 人形机器人自主完成汽车零件 kitting，把散装料箱里的金属支架按每辆车的装配顺序拣进托盘。

Gemini Robotics 2.5 的模型分工：一个动作模型加一个推理模型

Google 的具身智能栈一直是分层的，2.5 版本延续了这个结构。Gemini Robotics ER 是负责物理世界理解的具身推理模型，负责看视频、做多步规划、跟踪当前工作流走到哪一步；Gemini Robotics 2.5 则是动作模型，把视觉与语言输入直接翻译成电机控制指令，驱动机器人的手和臂。奔驰产线上的那次作业正是两个模型协作的结果，ER 负责记住流程顺序，2.5 负责从料箱里抓取金属件、放入排序容器，并在发现缺件时实时纠正。

官方模型页还列出了第三个定位，即优化到可在机器人本地设备运行的轻量版 VLA。不过本次 2.5 的动作模型仍然运行在云端服务器上，推理延迟尚未被消除，这一点与嵌入式小模型路线存在明显分野。另一个被反复强调的特性是跨本体适配，同一个模型可以控制 Apptronik Apollo 2 这种带 22 自由度五指手的人形机器人，也能控制 Franka Duo 这种双指平行夹爪平台，双臂机械臂则可在数小时内完成适配。

把 Gemini 4 Argon 机器人版的仿真与数据生成流程放在一起看，这套体系才完整，详见 Gemini 4 Argon 机器人版：一图生成 4500 条训练数据。

200 项任务实测：成功率提升 30% 到 100%，速度提升 20% 到 30%

官方评测覆盖 200 多项不同任务，官方表述是这一评测方式还能继续横向扩展。任务类型刻意挑选了机器人最难的几种：用夹子送餐、给礼盒系蝴蝶结、用移液器吸取液体、拧灯泡、双手协作把杂物分拣。这些任务共同考验三件事，即工具使用的精细度、形变物体的操作能力，以及对易碎和柔性物体的控制。

结果是一组区间而非单点数字。相比前代基线，Gemini Robotics 2.5 的成功率按任务类型提升 30% 到 100%，部分任务达到前代两倍；完成同样任务的速度提升 20% 到 30%。官方特别提到系蝴蝶结这类任务，需要用五指手处理缎带这种形变物体，历史上是机器人操作里公认难啃的场景。

这些数字全部来自厂商自测，目前没有第三方独立复现。对照 通用大模型重做机器人：两条路线之争，VLA 替与加速并行 里梳理的格局，Gemini 选择的是先把 VLA 替的上限推高，再用通用模型补仿真与数据，而不是让大模型直接接管实时控制回路。

奔驰产线 96%：两座工厂的真实装配节拍

工厂试点是与 Apptronik 和梅赛德斯-奔驰共同完成的，地点是匈牙利凯奇凯梅特和德国辛德尔芬根的两条量产线。Apollo 2 承担的工作是汽车零件 kitting，即把散装料箱里的单个零件按每辆车所需的装配顺序分拣到有序托盘里。这是一类重复性强、体力消耗大、但对顺序准确性有硬要求的工序，恰好是当前人类工厂里招工最难、流失率最高的岗位之一。

Apptronik 联合创始人兼 CEO Jeff Cardenas 的说法是，Apollo 2 配 Gemini Robotics 之后，模型在几周的后训练里就有明显提升，迁移到奔驰产线时性能损失极小。这句话里有两个值得注意的信息：一是提升速度，几周而非几个月，说明仿真数据在其中起了作用；二是迁移损耗小，说明后训练学到的技能没有过度绑定到训练场的桌面环境。

96% 这个数字也要看清楚它的位置。DeepMind 机器人业务负责人 Carolina Parada 给出的取舍很清楚，通用机器人要么在某个特定应用上做到极好，代价是泛化能力下降，要么继续推泛化轴，但没法在每个应用上都做到 99.9%。DeepMind 总监 Kanishka Rao 则把剩下的 4% 称为一段陡峭的路。人类做这类重复分拣几乎不会出错，96% 距离替代产线工人还有距离，但作为试点已经跨过了可用性的门槛。

把视野放到整个行业对比，英伟达走的是数据规模路线，见 英伟达 GR00T 2 模型详解：402730 小时数据与 30 分钟微调；智元走的是多模态响应速度路线，见 智元 WITA-Omni：400 毫秒响应的具身全模态模型。三条路线在同一周里同时推进，96% 这个数字目前排在最前面。

ASIMOV-Jailbreak 开源：给机器人越狱建一套统一尺子

这次发布同时开源了一个基准，ASIMOV-Jailbreak，用数百条精心构造的提示词去测试机器人模型会不会被诱导执行危险动作。这些提示词的共同套路是把不安全请求伪装到日常场景里，例如要求机器人把物品塞进它难以扣合的袋子里，借此绕开安全约束。官方给出的仓库包含多轮对抗评测数据、评估代码与数据，采用 MIT 许可，评测框架把工具调用做确定性校验，再叠加一层大模型裁判。

首个越狱抗性成绩由 Gemini 4 Argon 拿到，达到 99.5%，而上一代 Gemini Robotics ER 2 只有 82%。这两个数字都出自同一个新基准，因此具备横向可比性。DeepMind 同时公布了自己在具身推理基准 ERQA 上的 87% 成绩，该基准考察的是三维空间理解与物理推理，与操控基准属于不同维度。

机器人安全与对话模型安全的一个结构性差别在于，前者的错误后果是物理性的。Google 的做法是在推理期加入安全引导层，让机器人在碰到障碍物时完全停住或等待安全后再继续，类似给 Gemini 的回答套一层安全分类器。这一层在官方评测里带来障碍物场景 33%、近人场景 43% 的安全完成率提升。

Gemini 4 Argon 充当仿真引擎：4500 回合如何省下真机时间

2.5 之所以能在几周内完成上述后训练，核心变量是 Gemini 4 Argon 被用作了仿真引擎。Argon 可以从一段真实相机画面生成数千次多样化的模拟练习，并据此搭建出逼真的数字孪生环境，再与真实遥操作示范数据混合训练。这条链路的价值在于把机器人真机时间换成了算力时间，遥操作采集的每一段示范都要占用真实设备，而仿真回合几乎不要钱。

Google 10 月 13 日发布的 Argon 机器人材料给了一组更完整的量化结果。从一张真实桌面的 RGB 照片出发，Argon 自主构建出标定过的 MuJoCo 仿真孪生，定义 77 个单臂与双臂任务课程，合成 4500 多段域随机化训练回合。这些数据微调后的策略在真实机器人上把某项任务的成功率从 56% 提到 75%，平均完成时间从 35 秒压到 24 秒，整个过程没有额外占用真机时间。同一批材料里还有一段自改进实验，Argon 通过阅读自身日志与摄像头录像诊断失败原因，在一台 6 自由度机械臂上把取放任务耗时从 58.9 秒优化到 22.9 秒再到 17.4 秒。

需要留意的是 56% 到 75% 与 17.4 秒这类数字都出自单一场景的少量试验，官方也没有公布这两个比率背后的试验次数。把它当作方向性证据而非通用结论更稳妥，参考 Gemini 4 Argon 深度：ARC-AGI-3 97.5% 背后的工程奇迹 对这套模型整体工程量的拆解。

常见问题

普通开发者现在能用上 Gemini Robotics 2.5 吗

目前的开放范围是合作伙伴。官方点名了 Agile、Apptronik 和梅赛德斯-奔驰，模型正在向这些机器人伙伴铺开，尚未提供公开下载或常规 API 调用。官方模型页留有候补名单入口，面向企业自动化团队与机器人创业公司收集测试信息。

96% 的分拣成功率意味着人形机器人可以替代产线工人吗

还差得远。人类做这类重复分拣几乎不会出错，96% 对应的是每次都还有 4% 的失败概率，而在真实产线上这类失败往往直接导致节拍中断。DeepMind 自己的表述更保守，把补上最后 4% 称为一段陡峭的路。合理的定位是试点先替代工序中体力最重的那一段，而不是整条岗位。

ASIMOV-Jailbreak 上的 99.5% 是 Gemini Robotics 2.5 的成绩吗

99.5% 属于 Gemini 4 Argon 在该基准上的越狱抗性成绩，上一代 Gemini Robotics ER 2 在同一基准上为 82%。Gemini Robotics 2.5 在官方评测中的安全指标是障碍物场景安全完成率提升 33%、近人场景提升 43%，这是推理期安全引导的效果，与越狱抗性属于两套不同的度量。

小结

Gemini Robotics 2.5 的意义不只在于更高的台架分数，而在于三个数字第一次出现在同一个模型上：200 多项任务的 30% 到 100% 成功率提升、奔驰两条量产线上的 96% 分拣成功率、以及 ASIMOV-Jailbreak 上从 82% 跳到 99.5% 的越狱抗性。前者说明能力，后两者说明能力在真实约束下能站住。

留给行业的三个缺口同样清楚。云端推理带来的延迟没有解决，96% 到人类水平的 4% 需要更长的路，泛化与专项精度之间的取舍仍然是开放式问题，而不是已被绕过的技术细节。

相关阅读

• 英伟达 GR00T 2 模型详解：402730 小时数据与 30 分钟微调
• 智元 WITA-Omni：400 毫秒响应的具身全模态模型
• Gemini 4 Argon 机器人版：一图生成 4500 条训练数据
• 通用大模型重做机器人：两条路线之争，VLA 替与加速并行