谷歌最强具身推理模型：Gemini Robotics ER 2登场

7月31日，谷歌DeepMind正式发布了Gemini Robotics ER 2模型——这可以说是面向机器人领域的最强具身推理模型了。从定位来看，它就像机器人的“高级大脑”，负责协调人类交流、理解物理世界和规划多步骤任务。具体执行层面，它会向下层级的视觉-语言-动作（VLA）模型分派任务，并管控整个流程的完成。

相比于上一代1.6版本，ER 2的核心进步在于：通过持续观看视频，机器人现在能实时追踪自己的运行进度，遇到问题时可以自主调整，也能更精准地判断下一步何时启动。模型还原生支持调用谷歌搜索或开发者自定义的函数，灵活性大幅提升。

在物理智能体层面，ER 2的一个关键能力是：当机器人正在执行任务时，它可以同步推理后续步骤，从而减少传统“停止—思考—再行动”模式带来的停顿。该模型接入了Gemini Live API的双向流式端点，特别适合对延迟敏感的机器人任务。相比ER 1.6，ER 2能分析连续视频流，机器人据此跟踪自身任务进度，在动作出错时调整或重试，并判断何时进入下一步骤。

数据方面也很有说服力。在任务进度分类测试中，ER 2的准确率达到57.4%。这意味着机器人可以在不重启整个工作流的前提下修正失败的步骤，效率提升明显。而在“关键时刻定位”（moment-finding）测试中——例如判断何时停止向杯中倒咖啡——模型需要找出关键事件发生的精确视频帧，ER 2的准确率高达91.3%，平均绝对时间误差仅为0.96秒。

值得注意的是，谷歌表示该模型以更低的计算成本达到了接近更大模型的精度，执行速度是其4倍，并完全满足现实机器人安全运行所需的亚秒级延迟要求。这意味着实际部署的性价比和实时性都得到了充分保障。

ER 2还支持多机器人协作。不同类型的机器人可以借助共享的语义理解进行沟通、交接任务，完成单台设备难以独立完成的复杂工作流。谷歌还展示了Apptronik的Apollo 2与Franka的FR3 Duo协作案例，直观呈现了这种协同能力。

目前，Gemini Robotics ER 2已通过Gemini API和Google AI Studio面向开发者公开提供，同时在Gemini Enterprise Agent平台开启私密预览。谷歌还同步发布了模型配置和提示词示例代码，方便开发者快速上手。