Google DeepMind于2026年11月10日发布Gemini Robotics 2.5，定位为更强的视觉语言动作模型，目标是让机器人以更少示例学习更广泛技能，并提升真实环境中的灵巧性、可靠性和安全性。机器人能力提升并不意味着可以跳过仿真、急停和人工监管。
VLA模型在做什么
视觉语言动作模型接收摄像头画面和自然语言任务，输出机械臂或机器人动作。高层需要理解“整理桌面”等目标，低层需要连续控制抓取、移动和放置。新模型强调技能迁移和学习速度，但不同硬件的关节、夹爪、相机和控制频率仍需适配。
从仿真开始验证
先在数字环境中测试碰撞、目标丢失、遮挡、指令变化和急停。给任务定义成功条件，例如物体放到指定区域、无碰撞、总时间不超过阈值。每个场景重复运行足够次数，报告成功率和置信区间，不能用一次视频演示代替统计结果。
真实数据怎么采集
覆盖不同光照、背景、物体位置和操作人员，保留失败与人工接管片段。训练数据标注任务、动作、相机和硬件版本。涉及家庭或工厂视频时先获得授权，删除人脸、工牌和屏幕隐私。数据质量比单纯增加小时数更重要。
上线分级
第一阶段低速、空载；第二阶段使用软物体；第三阶段限定工作区内操作；最后才进入真实生产。机器人本地必须有独立急停、速度和力矩限制，不能依赖云端模型决定是否停止。网络超时后进入安全姿态。
站内LeRobot 0.7语言控制实战提供开放工具链，Gemini Robotics空间理解指南可补充环境推理方法。
验收指标
除任务成功率外，还要统计碰撞、人工接管、动作平滑度、平均完成时间、环境变化后的性能下降和错误恢复。对医疗、仓储和人机协作任务，风险事件权重远高于平均成功率。
结论
Gemini Robotics 2.5推动机器人从固定动作走向语言驱动的泛化技能，但真正落地依然是系统工程。仿真、数据治理、本地安全控制和分阶段验收决定它能否可靠进入现实环境。
