衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 谷歌DeepMind正式发布 新一代通用机器人基座模型 ——Gemini Robotics 1.5系列。 它不止于对语言、图像进行理解，还结合了视觉、语言与动作 （VLA） ，并通过具身推理 （Embodied Reasoning） 来实现"先思考，再行 动"。 全球首个具备模拟推理能力的具身模型来了！ 这一系列由两大模型组成： 其中，ER代表"具身推理"。 这意味着GR-ER 1.5是全球首个具备模拟推理能力的具身模型。 不过， GR-ER 1.5并不执行任何实际操作 ，GR 1.5正是为执行层而生。 两者结合，能让机器人不仅完成"折纸、解袋子"这样的单一动作，还能解决"分拣深浅色衣物"甚至"根据某地天气自动打包行李"这种需要理解 外部信息、分解复杂流程的多步任务。 甚至，它能根据特定地点的特定要求 （比如北京和上海的不同垃圾分类标准） ，自己上网搜索，以帮助人们完成垃圾分类。 而且用上GR 1.5系列的模型，还能够在多种不同的机器人之间进行能力的零样本跨平台迁移。 Gemini Robotics 1.5 （GR 1.5） ：负责动作执行的多模态大模型； ...

为什么智能机器人无法在复杂场景中工作，为什么当下的智能机器人还无法完成多步骤任务？ 我们正推动实体智能体时代的发展——让机器人能够感知、规划、思考、使用工具并采取行动，从 而更好地解决复杂的多步骤任务。 今年早些时候，我们以Gemini Robotics系列模型为起点，在将Gemini的多模态理解能力引入物理 世界方面取得了重大进展。 如今，我们在推进智能型、真正通用型机器人的道路上又迈出了一步。我们推出两款具备高级思考 能力的模型，可解锁智能体体验： Google DeepMind推出的Gemini Robotics 1.5与Gemini Robotics-ER 1.5，恰好以底层技术 创新视角填补了这一空白。 作为构建下一代Physical Agents的核心引擎，这两款模型形成"推理 大脑+执行中枢"的黄金组合： ER 1.5作为性能最优的VLM模型，在15项实体推理学术基准测试中斩获综合第一，能通过自然语 言理解复杂需求，原生调用谷歌搜索获取外部信息（如当地垃圾分类规则），制定多步骤计划并估 算任务成功率，更支持"思考预算"自定义以平衡延迟与精度。 Robotics 1.5则作为顶尖VLA模型，凭借" ...