Google DeepMind sagt, das neue Robotik-KI-Modell sei 30 bis 100 Prozent erfolgreicher als sein Vorgänger und habe eine Schleife gebunden, doch im eigenen Werkspilot bleibt eine Fehlerlücke von 4 Prozent.

Google DeepMind hat am Dienstag Gemini Robotics 2.5 vorgestellt, nach eigenen Angaben das bisher leistungsfähigste Vision-Language-Action-Modell des Unternehmens. Das System wurde laut DeepMind bei mehr als 200 verschiedenen Aufgaben getestet, darunter Essen mit einer Zange servieren, Flüssigkeit pipettieren und eine Schleife um eine Geschenkbox binden. Je nach Aufgabe sei die Erfolgsquote 30 bis 100 Prozent höher als bei früheren Vergleichsmodellen, und die Aufgaben würden 20 bis 30 Prozent schneller erledigt. Das Modell funktioniert mit mehreren Robotertypen, darunter Apptronics Humanoid Apollo 2 und die Plattform Franka Duo. Es ist nicht allgemein verfügbar und wird an Robotik-Partner ausgeliefert, die Ars Technica als Agile Robots, Apptronik und Boston Dynamics nennt.

Um das Modell außerhalb des Labors zu testen, arbeitete DeepMind mit Apptronik und Mercedes-Benz zusammen und setzte Apollo-2-Humanoide an laufenden Fahrzeugproduktionslinien in Kecskemét in Ungarn und Sindelfingen in Deutschland ein. In einem Versuch, den DeepMind als Machbarkeitsnachweis beschreibt, übernahmen die Roboter das Kitting: Sie sortierten Metallhalterungen aus Schüttgutbehältern in Behälter, und zwar in der für jedes Fahrzeug benötigten Reihenfolge, und erreichten eine Erfolgsquote von 96 Prozent. Ars Technica merkt an, dass dies für wiederholende Arbeiten in der Fertigung wohl noch nicht genügt, und zitiert DeepMind-Direktor Kanishka Rao, die verbleibende Lücke von 4 Prozent zu schließen, sei ein steiler Weg. Zudem läuft das Modell weiterhin auf Cloud-Servern, sodass Gewinne bei Genauigkeit und Tempo mit gewisser Latenz einhergehen.

DeepMind berichtete außerdem Sicherheitsergebnisse und einen neuen Test. Eine Steuerung durch Schlussfolgern zur Laufzeit lasse den Roboter Gefahren umgehen und verbessere den sicheren Aufgabenabschluss um 33 Prozent bei Hindernissen und um 43 Prozent in der Nähe von Menschen. Das Unternehmen veröffentlicht ASIMOV-Jailbreak, einen Open-Source-Benchmark mit Prompts, die unsichere Anfragen tarnen, in der Hoffnung auf eine gemeinsame Testmethode für physische KI. Zudem habe das Modell Gemini 4 Argon die Entwicklung beschleunigt, indem es simulierte Übungsläufe und digitale Zwillinge aus realen Kameraszenen erzeugte. Alle Leistungszahlen stammen aus DeepMinds eigenen Auswertungen; unabhängige Tests wurden nicht gemeldet.