🤖 具身推理 · 模型发布
机器人"大脑"看懂视频、实时纠错、多机协作 —— Gemini Robotics ER 2 发布
7 月 30 日，Google DeepMind 正式发布 Gemini Robotics ER 2，一款专为机器人设计的"具身推理"模型。它通过连续视频流理解物理世界、自主规划多步任务，并首次实现跨机型多机器人协作 ——在时刻查找准确率上达到 91.3% ，平均绝对距离仅 0.96 秒 ，执行速度提升 4 倍 。
综合公开信息整理 •
2026-07-30 •
全文约 4 分钟读完
#Gemini Robotics ER 2
#具身智能
#多机器人协作
#视频理解
#Google DeepMind
🎯 91.3%
时刻查找准确率 · 关键帧定位
0.96s
平均绝对距离 · 毫秒级响应
4×
执行速度提升 · 实时物理世界
⚡ 30 秒速览
核心能力： 连续视频流实时追踪任务进度，自主纠错，精确判断"何时完成"并切换下一步。关键突破： 时刻查找准确率 91.3%，平均绝对距离 0.96 秒；进度分类准确率 57.4%，均领先前代及前沿模型。多机器人协作： 首次实现跨机型语义共享——Apptronik Apollo 2 与 Franka F3 Duo 在统一理解下协同完成复杂任务。安全升级： Human Proximity 基准大幅提升，可自主检测人体靠近并暂停，人离开后恢复工作。开放使用： 即日起通过 Gemini API、Google AI Studio 向开发者开放，代码示例已发布。
01 核心能力总览 从"感知"到"执行"的跨越 Gemini Robotics ER 2 被设计为机器人的"高层大脑" ——它不直接控制电机，而是负责理解环境、规划任务、调用工具，并将执行交给底层的视觉-语言-动作（VLA）模型。这种分层架构让机器人可以"边思考边行动"，无需停顿。
ER 1.6（前代）
静态图像理解为主，单步任务规划，单机器人独立操作，推理与执行串行。
ER 2（新一代）
连续视频流实时理解，多步任务自主编排与纠错，跨机型多机器人协作，推理与执行并行。
ER 2 原生集成 Gemini Live API，通过双向流式端点实现低延迟任务编排 ——它可以在机器人执行当前动作的同时，"思考"下一步该做什么，消除传统"停-想-动"的割裂感。
连续视频理解
多步任务规划
工具编排 · VLA
实时进度追踪
自主纠错重试
跨机型协作
02 关键性能数据 用数字衡量"具身推理" 机器人智能最难的部分不是"看清"，而是"判断何时完成" 。ER 2 在两项核心任务上取得了显著进展：
📊 进度分类（连续帧 → 5 级进度）
Gemini Robotics ER 2 57.4% 准确率
57.4
🎯 时刻查找（精确到帧的关键事件定位）
Gemini Robotics ER 2 91.3% 准确率 / 0.96s 平均绝对距离
91.3
注：进度分类将视频帧划分为 0-20%/20-40%/40-60%/60-80%/80-100% 五个进度区间；时刻查找以"停止倒咖啡"类事件为基准，柱形为相对展示，非零起点。ER 2 在时刻查找上以 4 倍执行速度实现了与更大模型竞争的水平。
一个诚实的注脚：57.4% 的进度分类准确率 虽然领先前代和所有竞品，但绝对值仍有提升空间——这反映了"连续进度理解"本身就是一项极其困难的任务，人类标注者之间的一致性也仅在 65% 左右。
03 它到底能做什么？三个真实场景
🦾 波士顿动力 Spot · 自然语言取物 端到端编排
用户一句"帮我拿袋爆米花" ，ER 2 自主拆解任务：导航定位 → 机械臂操控 → 抓取确认 → 返回交付。
全程通过 Spot API 编排导航与机械臂动作，实时视频反馈追踪进度，遇到障碍自动调整路径。
代码已开源，开发者可复现完整流程。
🤝 跨机型协作 · Apptronik Apollo 2 + Franka F3 Duo 首次实现
轮式机器人与双臂协作机器人通过 ER 2 的共享语义理解 进行任务交接：Apollo 2 负责运输，Franka F3 Duo 负责精密装配。
双方实时同步进度状态，一方完成自动触发另一方启动，无需人为编程协调逻辑。
多机器人协作是 ER 2 的标志性突破 ——单一机器人能力再强也有物理边界，语义共享让异构集群成为可能。
🛡️ 安全智能 · 人靠近自动暂停 安全基准领先
人形机器人工作中检测到人员进入安全距离，ER 2 自主暂停所有动作 ，待人员离开后自动恢复。
在 Safety Instruction Following 和 Human Proximity 两项基准上均显著超越 ER 1.6 及其他前沿模型。
安全不是附加功能，而是物理世界部署的前提条件 。
04 空间智能 + 安全 看得准，更做得稳 ER 2 在三个核心空间智能维度上均达到最高准确率：
96% 成功/失败检测
10 通用仪表类型
↑32% 空间 VQA 提升
↑28% 安全指令跟随
注：成功/失败检测从静态快照升级为原始视频流分析；通用仪表读数覆盖圆形表盘、数字显示屏、线性刻度尺、液体温度计等 10 种类型；安全基准为 ER 2 对比 ER 1.6 的相对提升。
特别值得注意的是成功/失败检测 ——它不再依赖静态快照，而是通过连续视频流捕捉执行过程中的洒落、滑动、错位等异常，在任务执行中实时纠错，而非事后复盘。
🔓 开放给开发者： Gemini Robotics ER 2 即日起通过 Gemini API、Google AI Studio 及 Gemini Enterprise Agent Platform 提供。开发者可声明低层控制接口（VLA 模型、导航 API 等）作为工具，流式输入多模态视频/音频/文本，构建自己的物理 AI 智能体。
编辑核心判断
机器人 AI 正在经历从"感知"到"执行"的质变。Gemini Robotics ER 2 的价值不在于单个指标的刷新，而在于它证明了视频理解与物理行动可以闭环运行——并且这个闭环对开发者开放了。多机器人协作的语义共享，可能比任何单机性能提升都更具长期意义：物理世界的任务从来不是一台机器能完成的。
综合公开信息整理 · 原始报道发布于 2026-07-30 · 事件时间 2026-07-30