DeepMind 发布 Gemini 4 Argon 机器人模型
Gemini 4 Argon for Robotics
AI 摘要
Google DeepMind 在官方博客发布 Gemini 4 Argon for Robotics,面向机器人场景推出 Gemini 4 系列的 Argon 版本。官方仅给出标题级信息,未披露模型参数规模、训练数据构成、动作输出形式,也未公布任何真机任务成功率或对比基线。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
Gemini 4 Argon for Robotics
AI 摘要
Google DeepMind 在官方博客发布 Gemini 4 Argon for Robotics,面向机器人场景推出 Gemini 4 系列的 Argon 版本。官方仅给出标题级信息,未披露模型参数规模、训练数据构成、动作输出形式,也未公布任何真机任务成功率或对比基线。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
Haotian He 等提出 WiTac 预训练触觉编码器,在动作生成前将触觉信号与手部运动、腕部视角深度融合。基于近300小时 SharpaDex 数据预训练后,以该表征为条件驱动 GR00T N1.7 与 π0.5,四项接触密集操作任务的平均成功率分别提升 28.8% 与 15.0%,并比不含腕部信息的触觉编码器高 18.8%。
Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型,称其为迄今最强版本,重点提升机器人在真实环境中的通用灵巧操作能力、执行可靠性与安全性,面向更广泛的机器人任务落地。
清华大学朱军、上海交大邓志杰等提出潜在动作模型SALA,无需配对数据,通过建立人类自我中心视频与机器人动作间的语义对应,解决现有方法仅靠视频重建、表征按视觉外观聚类而难以跨本体对齐的问题。该工作从数据规模与模型规模两个维度扩展具身基础模型,训练与推理开销低于需显式预测像素的世界动作模型。
Haoyun Tang 等提出 ThinkWAM,一种世界-动作模型框架,采用“提议-重思-精化”循环:策略先输出完整动作块,再用学习到的残差修正多尺度未来潜变量,并把修正结果注入同一动作头的第二遍推理,从而生成可执行动作块。作者还引入可供性引导的观察-动作记忆,以及近细远粗的多尺度预测方案,二者均受预测编码启发。摘要未给出量化评测结果。