机器人不必只靠真机试错：Gemini 4 Argon 把草图、视频和照片变成可跑的 MuJoCo 场景

机器人任务现在可以先在仿真里练，再回到真机执行，而不必每一步都直接在硬件上试。 此前这类工作通常把物理理解、代码生成和视觉推理分开处理，机器人控制、Real2Sim 和物理理解各自独立。 在考察三维环境中物理与空间问题的 Embodied Reasoning（ERQA）基准上，Argon 用纯推理得到 87%，高于其他前沿模型。

Argon 通过读入多视角视频、三维几何、接触力学和本体状态遥测来推理场景，并直接写出可执行的控制代码。 它把视觉坐标架与动作原语结合，用 curl 命令驱动机械臂，并在每一轮之后用腕部相机画面做视觉校验。 在零样本控制示例中，它让机械臂把倒下的杯子扶正并把揉皱的餐巾放进杯里；在 MuJoCo 练习中，它控制波士顿动力 Spot 四足机器人踩下脚踏式垃圾桶盖丢弃汽水罐。

同一套推理还能把真实画面或手绘草图变成标定过的仿真场景，并生成闭环轨迹。 此前从真实录像或草图搭建仿真环境通常需要人工建模和逐项标定。 从一张手绘草图出发，它搭建了 GPU 加速的 mujoco_warp 场景，合成 76 自由度全身加五指投掷轨迹，在闭环物理中验证 6/6 目标击倒，并导出 Blender 4.5 Cycles 渲染。

仿真生成的数据可以反过来提升真机上的通用视觉-语言-动作模型表现。 此前提升这类模型往往依赖更多真实机器人数据采集。 从一张真实桌面照片出发，Argon 自主搭建标定过的 MuJoCo 孪生场景，定义新任务并合成闭环运动生成器，采集 4500 条以上域随机化回合，把真机成功率从 56% 提升到 75%，完成时间从 35 秒降到 24 秒。

报告面向机器人学习、仿真与具身智能方向的研究人员和工程师。已展示的范围包括：ERQA 基准上的纯推理得分、四足移动操作与双臂操作的零样本控制、从机器人画面和第一视角人类视频重建仿真场景、从手绘草图生成投掷轨迹、多粒度事后标注、价值函数预测、仿真数据提升真机表现，以及把机器人控制论文移植到 MuJoCo WebAssembly 浏览器实验。Argon 已通过 Google AI Studio、Gemini API 和 Google Antigravity 提供，其中 AI Studio 与 Antigravity 面向 Google AI Ultra 订阅者，API 使用付费层级。

多数能力以代表性提示演示的形式呈现，而非独立复现；真机成功率与完成时间的提升来自一次仿真数据增强实验，其可重复性尚未在文中说明。ERQA 的 87% 是纯推理设定下的单一基准结果，不能直接外推到其他物理任务。