Gemini Robotics 2, de Google DeepMind, llegó a finales de julio con vídeos de un humanoide ordenando una habitación y frases sobre robots «de cualquier forma o tamaño» y un hito «en el camino hacia resolver la AGI en el mundo físico». El mismo lanzamiento publica, gráfica a gráfica, con qué frecuencia aciertan de verdad los robots, y dice quién puede usar cada modelo. Leído en ese orden, es un avance de laboratorio con acceso parcial.
Tres modelos, tres niveles de acceso
El lanzamiento son tres modelos. Gemini Robotics 2 es un modelo de visión, lenguaje y acción que convierte instrucciones en control motor. Gemini Robotics ER 2 es un modelo de razonamiento corporeizado que planifica y coordina, construido sobre Gemini 3.5 Flash. On-Device 2 es el modelo de acción más eficiente, pensado para funcionar en el propio robot.
Sólo ER 2 está abierto a desarrolladores, en vista previa pública en Google AI Studio y en la API de Gemini como gemini-robotics-er-2-preview, con una variante en streaming para la Live API. El modelo de acción está en vista previa privada para socios con acceso anticipado, y On-Device 2 se limita a probadores de confianza. Ninguno de los dos tiene punto de acceso público ni precio, y no se encontraron en Hugging Face los pesos de ninguno de los tres.
ER 2 es gratuito en el nivel gratuito de la API, donde el contenido se usa para mejorar los productos de Google. En el nivel de pago cuesta 1,00 dólar por millón de tokens de entrada y 5,00 por millón de salida hasta el 31 de diciembre de 2026, y la salida sube a 10,00 desde el 1 de enero de 2027, según la página de precios. ER 1.6, su predecesor, se va a apagar.
Lo que dicen las tasas de éxito
Las gráficas de rendimiento del modelo de acción muestran tres niveles:
- Tareas de cuerpo entero con un humanoide Apollo 2 de Apptronik: coger objetos de una mesa el 68,4 % de las veces, del suelo el 45,7 % y de una estantería el 76,3 %.
- Tareas con pinza en un sistema de dos brazos de Franka: coger y dejar objetos el 74,2 %, ordenar herramientas el 78,9 % y encajar piezas con precisión el 89,6 %.
- Tareas con mano de varios dedos: desenroscar una bombilla el 92 %, pero enroscarla el 36 %, atar una bolsa de basura el 44 %, usar un recogedor el 32 % y cerrar una bolsa con cierre el 40 %.
La mayoría de las barras promedian varias tareas de una misma categoría; la gráfica de la mano muestra cada tarea por separado. Google lo dice sin rodeos: el modelo alcanza «una tasa de éxito media o alta» en las tareas de cuerpo entero y con pinza, pero «la manipulación diestra con varios dedos sigue siendo difícil».
Según el anuncio, On-Device 2 se adapta a robots nuevos de dos brazos en unas horas y con menos de 200 ejemplos, pero en las páginas revisadas no aparecen tasas de éxito para esas plataformas.
La seguridad como coordinación
La respuesta de Google al riesgo de que un robot ejecute una acción peligrosa o imposible es usar ER 2 como capa de seguridad: rechazar llamadas a herramientas inseguras, vigilar la cercanía de personas y pedir ayuda cuando no está seguro. En los benchmarks de la propia Google, ER 2 obtiene un 97,9 % en seguir instrucciones de seguridad y un 93,0 % en detectar a una persona a menos de un metro. Su informe de seguridad añade una salvedad a esas cifras: los modelos que clasifican bien una restricción en texto son menos fiables cuando tienen que convertirla en coordenadas o en una acción ejecutable. Google publicó además ASIMOV-Agentic, un benchmark para este tipo de coordinación de seguridad, como conjunto de datos abierto.
La empresa añade que no ha probado los modelos en todo tipo de robots y que usarlos de forma segura es responsabilidad de quien los usa.
Lecturas relacionadas
- Gemini Robotics ER 2 en la API de Gemini — Google AI for Developers
- Informe de seguridad de Gemini Robotics 2 — Google DeepMind
- NVIDIA Cosmos 3: El primer modelo abierto que entiende el mundo físico — IA al Día