谷歌近日推出了一款革命性的机器人具身推理模型——Gemini Robotics-ER 1.5，标志着机器人技术领域的重要突破。这款模型作为首个向全体开发者开放的Gemini机器人系列，旨在为机器人提供高级推理能力，使其能够更智能地与物理世界互动。
Gemini Robotics-ER 1.5是一款视觉-语言模型（VLM），通过将Gemini的智能体功能引入机器人技术，赋予机器人理解复杂指令、推理物理环境并执行任务的能力。与传统模型不同，它专为增强机器人的感知能力和现实世界互动能力而设计，能够解读视觉数据、执行空间推理，并根据自然语言命令规划行动。
在操作层面，该模型可与现有机器人控制器和行为无缝配合，通过按顺序调用机器人API，编排复杂行为以完成长时程任务。例如，用户可以用自然语言下达“将物品分类到厨余、可回收和普通垃圾桶”的指令，机器人需自主查找本地垃圾分类规则、识别物品并完成投放。这种多步骤、上下文相关的任务处理能力，使其在学术和内部基准测试中达到行业顶尖水平。
模型的核心优势之一是其快速而精确的空间推理能力。基于Gemini Flash模型的低延迟特性，它能够生成语义精确的2D坐标点，支持“指出所有可拿起物体”等指令。在测试中，当被要求标记厨房场景图片中的物品（如洗洁精、水龙头）时，模型能准确提供归一化坐标，并拒绝标记不存在的物品，避免“幻觉”错误。
时间推理能力是另一大亮点。通过分析视频帧，模型可理解物体与行为之间的因果关系。例如，在机械臂整理书写工具的视频中，模型能按时间戳精确描述每一步操作，甚至可根据要求对特定时间段进行逐秒分解，输出包含开始时间、结束时间和描述的JSON格式数据。
对于长周期任务，Gemini Robotics-ER 1.5展现了强大的协调能力。在制作咖啡的示例中，模型不仅能标记咖啡机下方放杯子的位置、顶部放胶囊的仓位，还能生成关闭咖啡机盖子的8点轨迹，并指示清洗杯子的水槽位置。这种“空间锚定”计划将文本指令与物理动作紧密结合，使机器人能高效完成复杂任务。
开发者可通过灵活调整“思考预算”来平衡模型的延迟与准确性。对于物体检测等简单任务，小预算即可实现高性能；而对于多步组装等复杂任务，增加预算可显著提升结果质量。这一特性使模型能同时满足快速响应和精确推理的需求。
安全性方面，模型改进了语义安全过滤器，能识别并拒绝违反物理约束的计划（如超出机器人载荷能力的操作），为开发者提供更可靠的构建环境。
目前，Gemini Robotics-ER 1.5预览版已开放体验。开发者可通过Google AI Studio实验模型，阅读开发者文档获取快速入门指南和API参考，或通过Colab笔记本查看实际应用案例。完整技术报告也已发布，为技术社区提供深入分析。
这款模型被视为机器人的“高级大脑”，能够理解复杂指令、推理长周期任务并协调行为。无论是调用硬件API、专用抓取模型，还是运动控制模型，它都能将用户请求分解为可执行的计划，推动机器人技术向更智能、更自主的方向发展。
