机器人有了云端大脑：Gemini Robotics ER 2 公开预览，关键帧定位准确率 91.3%
核心概要
Google DeepMind 的机器人高层推理模型 Gemini Robotics ER 2 进入 Gemini 平台的公开预览，企业可把视觉-语言-动作模型、导航接口等底层控制声明为工具，由模型编排多步任务。该模型在连续视频上判断任务进度并定位关键事件帧，官方给出的关键帧定位准确率为 91.3%，平均绝对帧距 0.96 秒。它面向从固定机械臂到人形机器人的多种形态，并可在 Google Cloud 上完成仿真、评估与部署。
深度剖析
机器人不再只执行单步指令，而是由一个高层推理模型在连续视频上判断每一步是否成功，并在失败时调整后续步骤。 此前的做法是把任务拆成预设脚本，机器人按步骤执行，遇到未预料的情况难以自行改道。 官方说明该模型把任务进度分类为二值状态、离散类别或连续分数，从而支持实时调整或重试失败步骤，而不必重启整个流程。
模型通过把底层控制接口声明为工具来驱动机器人，开发者可以把视觉-语言-动作模型、导航 API 或自定义函数接入，并以视频、音频和文本作为输入。 视觉-语言-动作模型负责具体动作，高层推理负责决定下一步做什么，两者通过工具调用衔接。 官方给出的关键帧定位指标为 91.3% 准确率和 0.96 秒平均绝对帧距，并称其执行速度为许多更大模型类别的 4 倍、算力成本仅为其中一部分。
同一套推理层可跨形态编排机器人，并支持多机器人分工与任务交接。 不同形态的机器人此前各自使用独立的控制栈，难以共享对工作空间的语义理解。 官方描述其覆盖范围从固定机械臂、轮式移动平台到四足和更复杂形态，并称不同类型机器人可共享语义理解、分工并交接任务。
启示与展望
公开材料描述的是 Gemini Robotics ER 2 在 Gemini 平台上的公开预览，面向在仿真、真实机器人控制或遥操作中构建具身智能体的开发者和企业团队；所给指标针对关键帧定位这一项能力。
关键帧定位的 91.3% 准确率与 0.96 秒平均绝对帧距是官方给出的单一指标，材料未说明其评测数据集与任务分布；跨形态泛化与多机器人协作的效果也未有对应的量化结果。