Gemini 4 Argon para robots: demos en todo el stack de robótica

DeepMind publicó el 13 de octubre una nota de robótica sobre Gemini 4 Argon, al que posiciona como un modelo de razonamiento físico de uso general, aplicable a todo el ciclo de vida de un robot. El número principal: en el benchmark ERQA de razonamiento encarnado, que prueba la resolución de problemas físicos y espaciales en entornos 3D, Argon saca un 87% usando solo razonamiento. Según Google, lo ubica por delante de todos los demás modelos frontier. La nota en sí es una galería de prompts que muestran al modelo trabajando en cuatro áreas: control, reconstrucción de simulaciones, comprensión física y auto-mejora.

Control: practicar en MuJoCo y ejecutar sobre el hardware

El primer demo pone a un Boston Dynamics Spot (12 grados de libertad en las patas, 6 en el brazo) frente a una papelera de pedal. Argon arma un clone digital articulado de la papelera en MuJoCo, ensaya el pisotón, y recién ahí pisa el pedal real para tirar una lata adentro. El prompt pide un swarm de dos agentes verificadores: uno chequea el paso del pie, el otro la posición de la mano sobre la papelera abierta.

El control zero-shot de un brazo es la parte más cercana al trabajo diario de un developer. Argon maneja un brazo simple mirando una cámara de wrist con coordenadas de mundo de 2 cm proyectadas sobre la imagen, y escribe sus propios comandos de acción, llamadas curl contra un servidor local, para levantar una taza caída y meterle un pañuelo adentro.

El tercer modo de control dirige un video world model en lazo cerrado. Argon escribe prompts de acción con timestamp para Gemini Omni, inspecciona los keyframes intermedios, ajusta los prompts, y en un rollout de 33 pasos reordena cinco fichas de Scrabble esparcidas para armar la palabra A-R-G-O-N.

Real2Sim: clones digitales desde video del robot, video humano y bocetos en papel

La sección Real2Sim cubre tres entradas. Desde un episodio de teleoperación grabado, Argon reconstruye una escena MuJoCo calibrada y la ajusta hasta que las cámaras renderizadas y las fuerzas de contacto en las yemas de los dedos coinciden con los datos reales. Desde un video egocéntrico de una persona trabajando, extrae los objetos relevantes, arma mallas convex-decomposed para recipientes cóncavos, y retargetea la trayectoria de la mano a un humanoide de 76 grados de libertad con manos de 22, a física de 500 Hz. Desde una foto de un boceto dibujado a mano: una escena acelerada por GPU donde el humanoide Apollo 2 lanza una pelota en arco parabólico y derriba una pileta de cajas 3-2-1, con 6/6 cajas abajo según Google, verificado con física en lazo cerrado.

Comprensión física: etiquetar datos y medir el progreso

En el lado de los datos, Argon anota un video cenital de 136 segundos de un robot ALOHA 2 doblando un zorro de origami en una jerarquía de cuatro niveles: el objetivo del episodio, 6 subtareas semánticas, 17 primitivas a nivel de contacto, y un reweighting de control de calidad que baja el peso de los tropiezos a 0,15x o 0,25x para behavior cloning.

Dos demos más. Argon construye el clásico rompecabezas de la balanza de 12 pelotas como un entorno MuJoCo con una balanza de dos platillos tipo Roberval, y lo resuelve solo con visión en tres pesajes. Y de un episodio bimanual UMI de 60 segundos produce una curva densa de progreso de la task, dividida en 28 segmentos de pendiente positiva, neutra o negativa.

Auto-mejora: datos de simulación e iteración sobre el hardware

Los números más concretos de la nota aparecen acá. Partiendo de una sola foto RGB de una mesa real, Argon arma un clone de simulación calibrado, define un curriculum de 77 tasks y sintetiza más de 4.500 episodios con domain randomization. Hacer fine-tuning de un modelo VLA con esos datos subió la tasa de éxito sobre el robot real de 56% a 75% y bajó el tiempo de finalización de 35 s a 24 s, según Google.

Sobre el hardware, un brazo SO-101 de 6 DoF mejora su propio pick-and-place en tres iteraciones: 58,9 s la primera, 22,9 s la segunda (roza el borde de la caja), 17,4 s la tercera con la caída centrada. El modelo diagnostica sus propios fallos desde los logs y las grabaciones de cámara. Google también muestra reproducción de papers: papers emblemáticos de locomoción y control portados a MuJoCo WebAssembly y corriendo en vivo en el navegador, 68 sandboxes interactivos en total, verificados con Chromium headless.

Dónde se lo puede llamar, y qué verificar

Argon está disponible hoy en Google AI Studio para suscriptores AI Ultra, en el tier de pago de la Gemini API (modelo gemini-4-argon, vía la Interactions API) y en Google Antigravity.

Todo lo de arriba sale de la propia nota de DeepMind, y varios demos llegan como video. El 87% de ERQA es un número de Google y a la fecha de la nota nadie lo había reproducido de forma independiente. Si tu equipo trabaja con pipelines de simulación robótica, la sección Real2Sim es la parte que vale la pena mirar. Volvé a correr estos números sobre tus workloads antes de ponerlos en cualquier ranking.