Gemini Robotics 2.5：奔驰产线分拣 96%，顺手开源了一份机器人越狱基准
DeepMind 2026-11-10 发布 Gemini Robotics 2.5：200+ 任务成功率提升 30%–100%，奔驰工厂 Apollo 2 分拣达 96%，并开源 ASIMOV-Jailbreak 越狱基准。
2026-11-11 · Google DeepMind / Ars Technica / Hugging Face（asimov_agentic）/ Times of AI
发布 2026-11-11核实 2026-11-12要点
- Google DeepMind 2026-11-10 发布 Gemini Robotics 2.5，是 Gemini Robotics 系列的视觉-语言-动作（VLA）模型；接在 2026 年 7 月的 2.0 之后。
- 官方评测 200+ 项任务：成功率较上一代基线提升 30%–100%，执行速度提升 20%–30%；任务涵盖夹取食物、系蝴蝶结、实验室移液。
- 奔驰在产线试点：Apollo 2 人形机器人在匈牙利 Kecskemét 与德国 Sindelfingen 工厂做汽车零件配套，成功率 96%；属概念验证，未宣布量产。
- 安全侧：推理阶段的实时避让使有障碍物时安全完成率 +33%、有人在场时 +43%。
- 同步开源 ASIMOV-Jailbreak 基准（Hugging Face
asimov_agentic，MIT 许可，845 条多步越狱 episode，最长 10 步）。 - 越狱抗性数字存在两套口径：官方称 99.5%（Gemini 4 Argon 接入回路）对 82%（ER 2）；Ars Technica 报道为 98.8% 对 73.5%，差异未解释。
- 可用性：仅向合作伙伴开放（Agile Robots、Apptronik、Boston Dynamics），无 GA；模型仍跑在云端而非机器人本体。
背景与分析
这条新闻有两层，得分开看。
第一层是能力：200 多项任务上成功率相对提升 30%–100%、速度快 20%–30%，在奔驰在产线上做到 96%。这些数字放在人形机器人这个领域算扎实——但要立刻补一句，它们全部来自 DeepMind 自己的评测，且工厂数据来自合作方组织的试点。96% 这个数字很有意思，因为它既高到值得开发布会，又低到无法量产：人做同样的重复工作几乎不出错，而 DeepMind 机器人负责人 Kanishka Rao 自己对 Ars 说，补上最后 4% 是「一条陡峭的路」。这句话比 96% 更有信息量——它承认了通用机器人的核心矛盾：泛化能力与专用自动化之间的取舍，Carolina Parada 说得更直接，「我们可以把某个应用做到极致，但代价是牺牲泛化」。
第二层是安全评测，这才是这次发布的真价值。
ASIMOV-Jailbreak 解决的是「没有公共标尺」的问题。 在此之前，每家机器人公司的安全测试各自为政：测什么指令、攻击强度多大、通过标准是什么，都不公开，结果无法横比。把 845 条多步越狱 episode 开源，等于给这个领域定了一个可复现的起跑线。它的方法论也值得注意：测的不是「一句话能不能骗到机器人」，而是一串看似合法的步骤能不能把系统引导到危险动作——这更接近真实攻击形态，因为物理世界的伤害通常不是单步造成的。
但这次的数字口径确实混乱，必须如实记下来：
| 项目 | DeepMind 官方 | Ars Technica 报道 |
|---|---|---|
| 越狱抗性（Argon 接入回路 vs ER 2） | 99.5% vs 82% | 98.8% vs 73.5% |
| 基准规模 | 845 条多步 episode（仓库） | 约 1500 条提示词 |
两组都不一样，且没有任何一方解释差异。可能的解释是「episode 数」与「提示词数」本就是两个统计口径（一条 episode 可能含多个提示词），但抗性百分比的差异没有这么简单的答案。在独立复现出现之前，这两组数字都只能当厂商/媒体口径，不能当结论。
还有一个技术细节值得单独拎出来：Gemini 4 Argon 在这次开发里当了仿真引擎——从真实相机画面生成大量训练变体、搭数字孪生，让模型更快泛化到新场景与新物体。这是「用模型造数据给另一个模型」的典型闭环，也是这代 VLA 能力提升的一个重要来源。它同时解释了为什么安全评测要把 Argon 接进回路：在这个系统里，Argon 本来就在环里。
对开发者的影响
- 做具身智能的，ASIMOV-Jailbreak 可以直接拿来跑。 MIT 许可、仓库公开，这是目前少数能对外横比的机器人安全基准。哪怕你不用 Gemini，也可以用它给你的策略做一次压力测试。
- 别把系统级数字当模型级数字。 99.5% 是「Argon + 编排」的成绩，不是机器人本体模型的安全水平。对外汇报或写方案时混淆这两层，会在评审时被抓住。
- 「云端推理」是这条路线最现实的约束。 模型仍跑在服务器上，意味着网络中断即失效、时延不可控。做产线集成时这是硬约束，不是优化项。
- 96% 的正确读法是「PoC 上限」不是「量产下限」。 换成别的工厂、别的零件、别的光照，这个数字会变。选型时该问的是「在你自己的产线上复现要多久」，不是「你能不能做到 96%」。
- 对比要看任务集。 前一天的 NVIDIA GR00T 2 声称单次示范后 71% 成功率，两者任务与设置不同，不可直接比。这类跨厂商数字对比是行业里最常见的误读来源，方法论见 机器人基础模型。
AI 之家 观点
这次发布真正改变行业格局的，不是 96%，是那份开源的越狱基准。
能力数字每几个月就会被刷新一次，96% 会被 97%、98% 覆盖。但一个公共的、可复现的安全评测标尺一旦立起来，就很难被撤掉——它会变成采购流程里的一张表、监管问询时的一个引用、论文评审时的一条基线。DeepMind 把这件事开源，等于主动把「机器人安全怎么测」的定义权握在自己手里，同时给整个行业设了一道及格线。这是比性能更聪明的动作。
但数字口径的混乱值得批评。同一组对比，官方给 99.5% vs 82%，Ars 给 98.8% vs 73.5%；基准规模一边说 845 条 episode、一边说约 1500 条提示词。在一个以「可复现」为卖点的基准上，连自己的成绩单都有两个版本，这会削弱基准本身的可信度。 合理的做法是公布完整评测配置与运行脚本——仓库里既然有评测代码，就该同时有一份能对上的结果表。
AI 之家 推荐结论：能力数字当参考，基准当工具。三条动作——① 把 ASIMOV-Jailbreak 拉下来跑一遍你自己的策略，重点看多步指令的累积偏移而不是单步通过率；② 任何对外材料里，把「系统级」与「模型级」的安全数字分开写，别混；③ 评估产线可行性时，先问时延与离线能力（云端推理这条是硬伤），再问成功率。三项问完，才轮到讨论 96% 意味着什么。
相关阅读
- 概念：VLA（视觉-语言-动作模型） · 具身智能 · 机器人基础模型
- 模型：Isaac GR00T · Gemini 4 Carbon
- 概念：Agent 沙箱 · AI 审计 AI：能抓 98% 的作弊
- 资讯：Gemini 4 Carbon 全面开放 · Claude 补齐办公三件套
来源
- ⭐ Gemini Robotics 2.5 accelerates real-world general dexterity（Google DeepMind 官方博客，2026-11-10，一手）
- ⭐ asimov_agentic 仓库与 ASIMOV-Jailbreak 基准（Hugging Face，MIT 许可，一手，含 episode 数量与结构）
- DeepMind reveals Gemini Robotics 2.5 and open safety benchmark「ASIMOV-jailbreak」（Ars Technica，2026-11-10，含 98.8% / 73.5% 与约 1500 条提示词口径）
- DeepMind's Gemini Robotics 2.5 Hit 96% on a Mercedes-Benz Kitting Pilot. The Last 4% Is the Hard Part（Times of AI，含两套数字的并列对比与 Rao/Parada 引述）
- Google DeepMind Introduces Gemini Robotics 2.5 and ASIMOV-Jailbreak Benchmark（xnews.sk，2026-11-11，二手汇总，含 845 条 episode 与 MIT 许可核对）
- DeepMind 发布 Gemini Robotics 2.5，任务成功率最高翻倍（DAMO 开发者矩阵，含 Ars 转述）
常见问题
Gemini Robotics 2.5 发布了？能用到吗？
2026-11-10 发布，是 Gemini Robotics 系列的视觉-语言-动作（VLA）模型，接在 2026 年 7 月的 2.0 之后。目前只向机器人合作伙伴开放（据 Ars Technica 报道包括 Agile Robots、Apptronik、Boston Dynamics），没有公开可用版本；而且模型仍跑在云端服务器上，不在机器人本体。
96% 的分拣成功率是什么场景？
Apptronik 的 Apollo 2 人形机器人在奔驰位于匈牙利 Kecskemét 与德国 Sindelfingen 的在产线上做汽车零件配套：从散料箱里取金属支架、按每台车的顺序放进排序托盘，成功率 96%。这是概念验证，不是量产部署——DeepMind 与奔驰都没有宣布量产。
「成功率提升 30%–100%」怎么理解？
官方口径是在 200 多项任务（夹取食物、系蝴蝶结、实验室移液等）上相对上一代基线提升 30% 到 100%，速度提升 20% 到 30%。注意这是「相对提升」不是「绝对值」，且全部来自 DeepMind 自己的评测，尚无可复现的独立测试。
ASIMOV-Jailbreak 是什么？
DeepMind 同步开源的机器人越狱基准，名字致敬阿西莫夫三定律。它测的是「一串看似合法的多步指令能不能把机器人/智能体诱导到危险动作」。仓库是 Hugging Face 上的 asimov_agentic，MIT 许可，含 845 条多步越狱 episode（最长 10 步）。Ars Technica 报道称约 1500 条提示词——两处数量口径不一致。
越狱抗性 99.5% 是哪个模型的成绩？
这是最容易读错的一处。官方口径 99.5% 指的是把 Gemini 4 Argon 接进推理回路后的成绩，对比基线是上一代 Gemini Robotics ER 2 的 82%；Ars Technica 给出的同一组对比是 98.8% 对 73.5%。两组数字不一致，官方与媒体都没有解释差异来源。另外这个数字属于「Argon + 系统」，不能直接当作机器人本体模型的安全水平。