A Google egyetlen modellel akarja lefedni a robotika teljes folyamatát: a vezérlést, a virtuális gyakorlópályák építését és a tanítóadatok ellenőrzését. A Google Developers Blog bejegyzése szerint a Gemini 4 Argon az ERQA (Embodied Reasoning Question Answering) teszten 87%-ot ért el. Ez a benchmark azt méri, mennyire érti meg egy modell a térbeli és fizikai feladatokat egy 3D-s környezetben. A cég ezt újabb lépésnek nevezi a „fizikai AGI”, vagyis a valós világban is általánosan használható mesterséges intelligencia felé.
A The Decoder összefoglalója szerint az ERQA 400 kérdését segédeszközök nélkül, tisztán következtetéssel kellett megoldani. A Google grafikonja alapján a második helyen a Claude Opus 5.5 végzett 82,3%-kal, a GPT-6 Astra 81%-ot, a Claude Fable 5.1 74%-ot ért el. Az Artificial Analysis egy nappal később megjelent AA-Robotics tesztje viszont mást mutat. Ott a nyelvi modellek közvetlenül egy valódi robotkart irányítanak nyolc feladatban, és az Argon 100-ból 55 ponttal csak a harmadik lett, a GPT-6 Astra (69) és a GPT-6.1 Sol (65) mögött.
Előbb szimulációban gyakorol, aztán élesben
A legtöbb bemutató ugyanarra a mintára épül: az Argon a feladat előtt szimulációt épít, abban gyakorol vagy ellenőriz, és csak utána mozgatja a valódi robotot. Egy Boston Dynamics Spotnak üdítős dobozokat kellett egy pedálos szemetesbe dobnia. Az Argon előbb a MuJoCo fizikai szimulátorban megépítette a szemetes digitális ikerpárját, a robot ott gyakorolta a három lábon egyensúlyozást, és csak ezután lépett rá a valódi pedálra. A doboz elengedése előtt két külön AI-ügynök ellenőrizte, hogy a láb és a megfogó jó helyen van-e.
Egy partikellékekkel teli asztalról készült egyetlen fotóból a modell virtuális másolatot épített, 77 feladatot talált ki, és több mint 4500 tanító epizódot generált egy vezérlőmodellnek. A valódi roboton a sikerarány 56-ról 75%-ra nőtt, a végrehajtás ideje 35-ről 24 másodpercre csökkent. Az Argon egy tollal rajzolt vázlatból is képes szimulációt építeni: egy humanoid robot labdát dob egy hat dobozból álló piramisra, és a modell olyan dobómozdulatot számol ki, amely mind a hat dobozt ledönti, miközben a robot nem esik el. Egy egyszerű robotkaros kísérletben pedig a saját naplóit és kameraképeit elemezve javított magán: a Lego-kocka dobozba helyezése három próbálkozás alatt 58,9 másodpercről 17,4 másodpercre gyorsult.
Az egyik demóban az Argon „rendezőként” irányította a Gemini Omni videós világmodellt, amely előre jelzi, hogyan változik egy jelenet. Időbélyeges utasításokat írt a robotkezeknek, ellenőrizte a generált képkockákat, majd 33 lépés után az asztalon szétszórt Scrabble-betűkből kirakatta az ARGON szót. A modell tanítóadatok minőségét is értékeli: egy origami rókát hajtogató kétkarú robot 136 másodperces videójában megjelölte a megtorpanásokat és a rontott fogásokat, így ezek kisebb súllyal számítanak a tanításnál. A Google szerint eddig 68 publikált robotikai kísérletet rakott össze böngészőben futó, interaktív szimulációként.
Sok múlik a promptokon
A Google a bemutatókhoz közzétette a részletes promptokat is, és ezekből kiderül, mennyi emberi segítség van a látványos eredmények mögött. A „zero-shot”, vagyis előzetes tanítás nélküli bögre-felállításnál például a modell centiméteres rácsot kap a kameraképre, és előre megírt parancsokat használ, mint a „megfog” vagy az „érintkezésig ereszt”. A szimulációkhoz hosszú tiltólisták tartoznak, hogy a modell ne csaljon, például ne másolja át egyszerűen a mért szenzorértékeket. A The Decoder arra is felhívja a figyelmet, hogy a Google nem közölt hibaarányokat az egyes demókhoz, és a 75%-os sikerarány mellett sem szerepel, hány próbálkozásból jött ki.
Az Argon a Google AI Studióban és az Antigravity fejlesztőkörnyezetben érhető el, de csak Google AI Ultra-előfizetőknek, a fejlesztők pedig a Gemini API fizetős szintjén használhatják. Magát a Gemini 4 családot a Google néhány nappal korábban tette elérhetővé. A fotóból épített virtuális világ ötlete nem új, a World Labs Atlas modellje is hasonló elven működik. Az Argon újdonsága, hogy a szimulációt, a vezérlést és az értékelést ugyanaz a modell végzi. Az ERQA-n mögötte végző GPT-6-Astra nemrég elméleti fizikai feladatokon ért el kiemelkedő eredményt. A Google DeepMind azóta a Genie 4 világmodellel is összekötötte az Argont: a Genie 4 valós időben rendereli az Argon által lépésekre bontott robotfeladatot.
