Google DeepMind部门本周公布一款能执行在机器人上的Gemini Robotics On-Device，不需网路也能执行，并且具备高度任务泛化能力。
今年3月，Google介绍了一款视觉语言动作（vision language action，VLA）模型，将Gemini 2.0的多模态推理和实体世界理解能力带进机器人领域。而本周Google DeepMind进一步公布Gemini Robotics On-Device，是该公司可直接执行在机器人上的最强大模型。且由于Gemini Robotics On-Device的模型运作不依赖资料网路，因而适合对延迟性十分敏感的应用程式，在频宽不稳甚至没有网路地区也能稳定运作。
Gemini Robotics On-Device是双臂机器人的基础模型，只需最少的运算资源。它是建立在Gemini Robotics的任务泛化及灵活性基础上而开发。Google强调它设计宗旨是快速实验、灵活操控，能透过微调适应新任务，而且能在本地执行低延迟性的推论。
Gemini Robotics On-Device能在多种测试场景展现强大的视觉、语意和行为泛化能力，超越Gemini Robotics和其他装置上执行的模型，且能遵从自然语言指令，透过在机器人端执行而完成高难度任务，像是解开袋子拉链，或折叠衣服。
图片来源／Google
Gemini Robotics On-Device也是Google首个开放微调的VLA模型。它在未微调情况下也能执行众多任务，但开发人员还是可以加以微调以适应新领域，过程中开发人员只需给予50到100次示范。
Gemini Robotics On-Device是以ALOHA机器人训练，但Google示范，经过微调，也能执行在第三方厂商的机器人，如德国Apptronik的Franka FR3双臂工业机器人或Apollo人型机器人。
Google并释出Gemini Robotics SDK，可帮开发人员评估Gemini Robotics On-Device用于其环境下或任务的效能，他们也可以利用Google几年前释出的MuJoCo物理模拟函式库测试模型，并快速适应其他新领域。开发人员现在只要报名加入信赖测试员计划即可存取SDK。