DeepMind publie le modèle robotique Gemini Robotics 2.5

Google DeepMind publie le modèle vision-langage-action Gemini Robotics 2.5, affirmant qu'il a été testé sur plusieurs tâches dans 200, avec un taux de réussite supérieur de 30% à 100% par rapport aux lignes de base précédentes, une vitesse d'exécution plus rapide de 20% à 30%, et la capacité de servir des plats avec une pince, d'effectuer des pipetages et de nouer des nœuds papillon sur des coffrets cadeaux. Lors de pilotes sur les lignes de production à Kecskemét en Hongrie et à Sindelfingen en Allemagne, en collaboration avec Apptronik et Mercedes-Benz, le robot humanoïde Apollo 2 a trié des pièces métalliques à partir de bacs et les a disposées sur des plateaux selon le modèle de véhicule, avec un taux de réussite de 96%. DeepMind a également utilisé Gemini 4 Argon pour générer des données d'entraînement simulées et a open-sourcé sur Hugging Face le benchmark ASIMOV-Jailbreak pour tester les jailbreaks de robots ; le modèle n'est actuellement fourni qu'aux partenaires.

Titre original : Google DeepMind's Gemini Robotics 2.5 scores 96 percent sorting metal parts in a Mercedes-Benz assembly pilot

Google DeepMind publie le modèle vision-langage-action Gemini Robotics 2.5, affirmant qu'il a été testé sur plusieurs tâches dans 200, avec un taux de réussite supérieur de 30% à 100% par rapport aux lignes de base précédentes, une vitesse d'exécution plus rapide de 20% à 30%, et la capacité de servir des plats avec une pince, d'effectuer des pipetages et de nouer des nœuds papillon sur des coffrets cadeaux. Lors de pilotes sur les lignes de production à Kecskemét en Hongrie et à Sindelfingen en Allemagne, en collaboration avec Apptronik et Mercedes-Benz, le robot humanoïde Apollo 2 a trié des pièces métalliques à partir de bacs et les a disposées sur des plateaux selon le modèle de véhicule, avec un taux de réussite de 96%. DeepMind a également utilisé Gemini 4 Argon pour générer des données d'entraînement simulées et a open-sourcé sur Hugging Face le benchmark ASIMOV-Jailbreak pour tester les jailbreaks de robots ; le modèle n'est actuellement fourni qu'aux partenaires.

Pourquoi c'est important Les modèles robotiques généralistes commencent à être testés sur de véritables lignes de production en usine, mais il reste encore un dernier écart à combler avant d'atteindre le niveau de fiabilité quasi parfait de l'humain.

Fiabilité : Haute fiabilité · Sources Google DeepMind et 3 autres (y compris officielles) · Date de l'événement 11-10 23:00 (heure de Pékin)

Raisons

  • Publication sur le blog officiel de DeepMind, avec des reportages de The Decoder et Ars Technica

Utilisation

  • Le benchmark ASIMOV-Jailbreak est disponible sur Hugging Face ; le modèle lui-même n'est pas fourni publiquement

Risques

  • Les chiffres de performance proviennent de tests internes de DeepMind ; selon Ars Technica, le modèle fonctionne toujours dans le cloud avec une latence, et les vidéos de démonstration ont été accélérées 2 fois

Ouvrir · Google DeepMind · Ars Technica

The Decoder

Parcourir les dernières actualités IA