07:15IT之家(博客/媒体)76°Google DeepMind 发布了 Gemini Robotics ER 2,这是其最新具身推理模型,作为机器人的“高级大脑”协调复杂任务。相比 ER 1.6,ER 2 能分析连续视频流,机器人可追踪自身进度、调整错误步骤,并在任务进度分类测试中达 57.4% 准确率。在 moment-finding 测试中,ER 2 准确率为 91.3%,平均时间误差 0.96 秒,且执行速度比更大模型快 4 倍。该模型支持多机器人协作,如 Apptronik Apollo 2 与 Franka FR3 Duo 的协同工作。开发者可通过 Gemini API、Google AI Studio 及 Gemini Enterprise Agent Platform 使用该模型。AI模型Gemini Robotics ER 2Google DeepMind具身推理推荐理由:谷歌DeepMind出了个新模型Gemini Robotics ER 2,能让机器人看懂连续视频、自己纠错,还能和别的机器人一起干活,速度比大模型快4倍,开发者现在就能用上。原文稍后读已读值得跟进有用关注 Gemini Robotics ER 2
03:02官方账号Demis Hassabis@demishassabis78°Google DeepMind 推出 Gemini Robotics 2 新一代物理 AI 模型,为机器人提供全身体智能。该模型使机器人能推理每一步运动,完成此前无法实现的精细操作,例如系打脆弱的绳结。系统还支持多机器人协作解决复杂工作流程,例如团队合作执行任务。这是机器人领域的重要里程碑。AI模型Gemini Robotics 2Google DeepMind物理AI3 个信源在谈事件专题推荐理由:Google DeepMind 发了 Gemini Robotics 2,机器人能推理每个动作,甚至多台协作打结了,物理 AI 又进了一步。原文稍后读已读值得跟进有用关注 Gemini Robotics 2
01:26官方一手marktechpost@Asif Razzaq80°Google DeepMind推出Gemini Robotics 2,包含三个模型:一个视觉-语言-动作模型用于全身人形控制,Gemini Robotics ER 2用于具身推理与任务编排,以及一个设备端VLA可在数小时内适应新机器人躯体。单一检查点驱动Apptronik Apollo 2和Franka Duo两款机器人。仅ER 2模型公开发布。AI模型Gemini Robotics 2具身智能多机器人协作3 个信源在谈事件专题推荐理由:DeepMind发了三个机器人模型:一个控全身,一个做推理,一个快速适应新身体。只公开了ER 2,感兴趣可以直接试。原文稍后读已读值得跟进有用关注 Gemini Robotics 2
00:45官方账号Google DeepMind@GoogleDeepMind78°Google DeepMind 宣布推出 Gemini Robotics 2,这是其下一代物理 AI 系统。该系统专为人形机器人设计,具备全身身体智能、高级灵巧操作能力以及多机器人协作功能。Gemini Robotics 2 利用 Gemini 多模态模型,使机器人能理解环境并执行复杂任务。与上一代相比,它在灵巧性和协作效率上显著提升,支持多个机器人同时工作。AI模型Gemini Robotics 2Google DeepMind机器人3 个信源在谈事件专题推荐理由:Google DeepMind 发布了 Gemini Robotics 2,让人形机器人拥有全身智能和灵巧手部操作,还支持多机协作,是机器人领域的大升级。原文稍后读已读值得跟进有用关注 Gemini Robotics 2
00:08官方账号Logan Kilpatrick@OfficialLoganKGoogle 推出 Gemini Robotics ER 2 模型,已在 Gemini API 和 Google AI Studio 中可用。演示展示了多机器人协作场景,成为亮点。该模型可处理复杂的物理世界交互任务。AI模型Gemini Robotics ER 2Google AI StudioGemini API推荐理由:Google 新出的 Gemini Robotics ER 2 能直接调 API 玩多机器人协作,看演示很酷,可以试试。原文稍后读已读值得跟进有用关注 Gemini Robotics ER 2
11:02官方账号arXiv cs.AI@Ria Doshi, Tian Gao, Annie Chen, Chelsea Finn, Jeannette Bohg多机器人协作在移动场景中面临扩展性差和部分可观测性问题。CHORUS框架利用预训练视觉-语言-动作(VLA)模型的视觉运动先验,使每个机器人仅依赖自身局部观测和身份提示即可独立运行,无需推理时通信或显式对齐。在移动测量、图书交接和洗衣篮搬运等真实实验中,CHORUS相比从零训练的分散模型提升64%性能,对队友行为的反应性提高40%,并超越集中式基线。该工作表明,共享VLA骨干网络足以实现去中心化多机器人协作,无需为每个机器人单独训练策略。论文多机器人协作VLA模型去中心化推荐理由:多机器人协作的扩展性难题被VLA模型破解了——做机器人集群部署的团队可以直接参考CHORUS的零通信方案,省去复杂的对齐和通信模块。原文稍后读已读值得跟进有用关注 多机器人协作