谷歌DeepMind近日推出Gemini Robotics 1.5系列机器人模型，通过思维链机制与模型协作架构，显著提升机器人在物理世界中的自主决策能力。该系列包含Gemini Robotics 1.5与Gemini Robotics-ER 1.5两款模型，分别承担执行层与规划层功能，形成"小脑-大脑"协同体系。
作为执行层核心，Gemini Robotics 1.5是当前最先进的视觉-语言-动作（VLA）模型。其独特之处在于具身思考能力：在执行动作前会生成自然语言形式的"思考轨迹"，将复杂任务拆解为可执行的子步骤。例如处理"收拾桌面"指令时，模型会先规划"识别物品-抓取杯子-移动至水槽"等具体动作。这种分层处理机制使机器人具备动态调整能力，当杯子意外掉落时，能立即生成"重新抓取"的修正指令。
规划层模型Gemini Robotics-ER 1.5则专注于具身推理，其原生支持数字工具调用与多步骤计划生成。该模型在15项学术基准测试中创下最佳纪录，空间推理能力超越GPT-5等主流模型。具体而言，它能通过多视角视觉信息实时判断任务进度，例如准确识别"指向桌子左下角蓝色杯子"的指令，并持续评估动作与目标的匹配度。
技术实现层面，两个模型均基于Gemini多模态架构构建，共享图像、文本及机器人传感器数据组成的训练集。数据采集自ALOHA、双臂Franka和Apollo人形机器人等异构平台，涵盖抓取操控、双臂协作等数千个多样化任务。为增强泛化能力，训练数据还融入互联网公开图文视频，并通过Gemini模型生成详细描述，帮助捕捉图像中的语义细节。
动作迁移机制（MT）是该系列的关键突破。传统模型需要针对每个机器人平台单独训练，而MT通过统一建模动作与物理特性，实现跨本体零样本迁移。例如在ALOHA机器人上学会"开抽屉"的技能，可直接应用于Apollo人形机器人，无需额外训练数据。这种能力源于MT对不同平台数据的共性提取，有效打破机器人实体间的技术壁垒。
在安全控制方面，谷歌开发了多层防护体系。顶层设置安全判断机制，底层部署碰撞避免等子系统，并发布升级版ASIMOV安全基准测试。该数据集新增边缘场景覆盖与视频模式评估，Gemini Robotics-ER 1.5在其中展现出先进的语义安全理解能力，能更好遵守物理约束条件。
开发者可通过Gemini API调用Gemini Robotics-ER 1.5模型，而执行层模型目前向特定合作伙伴开放。技术报告与模型资源已同步发布，详细披露训练方法与性能指标。值得注意的是，训练过程采用TPU v4/v5p/v6e硬件与JAX框架，通过并行计算实现高效扩展。
这种跨本体技术路径正成为行业新趋势。宇树科技近期开源的UnifoLM-WMA-0模型虽采用不同架构，同样具备多平台适配能力。随着Gemini Robotics 1.5系列展示出类似人类的场景适应力，机器人模型的通用化发展已形成技术共识。
