谷歌 DeepMind 开放具身推理模型 Gemini Robotics-ER 1.5

谷歌推出了其首款面向广泛使用的机器人具身推理模型——gemini robotics-er 1.5，官方将其称为“机器人的高级大脑”。该模型在多项学术和内部基准测试中表现卓越，达到当前领先水平，现已通过google ai studio及gemini api预览版向开发者开放。

Gemini Robotics-ER 1.5基于强大的Gemini多模态基础模型构建，并针对物理环境中的交互需求进行了专门优化与微调。在保持原有通用推理能力的基础上，新增了四大关键能力：

1. 高效的空间理解与低延迟响应：具备精准的二维语义定位能力，可准确执行如“指向你能抓取的任意物体”等指令；
2. 长周期任务管理：融合时空推理、进度追踪与完成判断机制，支持对“依据图像整理办公桌”这类复杂任务实现端到端闭环控制；
3. 原生工具集成：支持实时调用Google Search获取外部信息，也可激活视觉-语言-动作（VLA）模型或任意第三方函数接口；
4. 可调节的“思考预算”机制：允许开发者根据应用场景灵活平衡响应速度与决策精度，既可在快速抓取任务中实现毫秒级反应，也能在复杂的多步装配任务中进行深度规划。同时，升级后的语义安全过滤系统能有效识别并阻止超出机器人负载或违反物理规律的危险操作。

目前，该模型已接入Gemini GenAI SDK for Python。开发者仅需提供一张厨房场景图像，即可获得图中各物体的高精度二维坐标信息，结合机器人的3D感知系统，便可生成可靠的运动路径与操作指令。

官方演示案例中，机器人能够自主在线查询当地垃圾分类政策，识别桌面物品，并按照compost（堆肥）、recycle（可回收）、landfill（填埋）三类进行正确分类后归位，完整展现了“信息检索—环境感知—路径规划—动作执行”的全链路智能流程。

模型详情请见：https://www.php.cn/link/b75f4cd91723baa6327b03ddf0b8ebf6