Gemini Robotics 2.5: DeepMind acelera la destreza y fiabilidad de robots en entornos reales

Google DeepMind presentó Gemini Robotics 2.5, al que describe como su modelo de visión-lenguaje-acción (VLA) más capaz hasta la fecha. Según la compañía, el modelo amplía tanto la variedad de habilidades que un robot puede aprender como la velocidad con la que las adquiere. El objetivo declarado es que los robots salgan del laboratorio y trabajen en entornos menos estructurados, donde puedan ayudar a las personas en una gama más amplia de tareas. El modelo se está desplegando entre los socios de robótica de DeepMind. La entrada del blog está fechada el 10 de noviembre de 2026.

DeepMind sitúa este lanzamiento como continuación de su serie de modelos de robótica. En la sección de publicaciones relacionadas figuran Gemini Robotics (marzo de 2025), Gemini Robotics 1.5 (septiembre de 2025), Gemini Robotics 2 (julio de 2026), que según el blog llevó la inteligencia de cuerpo completo a robots de muchos tipos, incluidos los humanoides, y Gemini 4 Argon for Robotics (octubre de 2026). La empresa atribuye buena parte del avance actual a la capacidad de Gemini 4 Argon para acelerar la investigación en robótica.

El texto organiza las mejoras en tres ejes: destreza, fiabilidad y seguridad. En destreza, DeepMind afirma que sus robots pueden realizar significativamente más tareas con mejor desempeño, desde usar herramientas cotidianas hasta manipular objetos delicados o flexibles. La evaluación abarcó más de 200 tareas distintas, y la empresa señala que el enfoque podría escalar a muchas más. Entre los ejemplos citados están servir comida con pinzas, hacer un lazo en una caja de regalo y pipetear un líquido. Estas tareas combinan uso avanzado de herramientas, manipulación compleja de objetos deformables y manejo fino de objetos delicados, y DeepMind las presenta como un paso hacia una destreza de nivel humano.

En rendimiento, la compañía indica que, frente a sus referencias anteriores, Gemini Robotics 2.5 logra una tasa de éxito entre un 30 % y un 100 % superior según el tipo de tarea, y completa las tareas entre un 20 % y un 30 % más rápido. Como los modelos anteriores de la familia, funciona de forma nativa con distintos tipos de robot. El blog menciona el humanoide Apollo 2 de Apptronik, con la mano SharpaWave de cinco dedos y 22 grados de libertad, y la plataforma Franka Duo con pinzas paralelas de dos dedos.

La prueba de fiabilidad más llamativa es una prueba de concepto con Apptronik y Mercedes-Benz. Se usaron robots Apollo 2 en líneas de producción activas en Kecskemét (Hungría) y Sindelfingen (Alemania). El robot realiza de forma autónoma el «kitting» automotriz. Esta tarea consiste en clasificar piezas sueltas de contenedores a granel en bandejas organizadas, en el orden exacto que necesita cada vehículo de la línea. DeepMind la describe como repetitiva y físicamente exigente. Según la empresa, descargar este trabajo de preparación ayuda a mantener en marcha la línea de montaje y permite que los técnicos se concentren en tareas de construcción más complejas.

En el montaje técnico, el modelo de razonamiento corpóreo Gemini Robotics ER sigue el flujo de trabajo, mientras que el modelo de acciones de Gemini Robotics 2.5 controla manos y brazos. El robot alcanza los contenedores de suministro, toma soportes metálicos y los coloca en contenedores de secuenciación, corrigiendo los huecos que detecta. DeepMind informa de una tasa de éxito del 96 % y la presenta como un avance prometedor hacia aplicaciones industriales reales a gran escala. Hay que tener en cuenta que se trata de una prueba de concepto o piloto, no de un despliegue productivo, y que el blog no detalla la metodología de esa cifra.

Jeff Cardenas, cofundador y CEO de Apptronik, afirma en el texto que los modelos mejoraron de forma notable en solo unas semanas de post-entrenamiento y que el rendimiento se trasladó a la producción de Mercedes-Benz con muy poca pérdida. Lo ve como la base para llevar humanoides a entornos industriales y comerciales a escala.

En seguridad, DeepMind dice haber avanzado de forma significativa la capacidad de dirección (steerability) física del modelo. Gemini Robotics 2.5 usa una guía de razonamiento en tiempo de inferencia para sortear peligros físicos en tiempo real. La compañía lo compara con los clasificadores de seguridad que añaden una capa protectora a las respuestas de Gemini. En sus evaluaciones, esta capacidad mejoró la finalización segura de tareas en un 33 % alrededor de obstáculos y en un 43 % cerca de personas.

Para tareas agénticas de largo horizonte, el blog afirma que Gemini 4 Argon lidera actualmente las evaluaciones agénticas de robótica de DeepMind en rechazo de tareas inseguras, resolución de incertidumbre y trabajo en proximidad de humanos. Además, la empresa publica ASIMOV-Jailbreak, un nuevo benchmark de código abierto con cientos de instrucciones que disfrazan peticiones inseguras en decenas de escenas, para medir la robustez ante jailbreaks específicos de robótica. Según DeepMind, Argon logra una resistencia del 99,5 %, frente al 82 % de su referencia anterior, Gemini Robotics ER 2. Son resultados de evaluaciones propias.

Otro punto central es el papel de Gemini 4 Argon en el propio desarrollo. DeepMind explica que enseñar nuevas habilidades a los robots exige grandes volúmenes de datos físicos y algoritmos de modelado eficientes. Según la empresa, las capacidades de investigación en robótica de Argon ayudaron a resolver esos cuellos de botella al actuar como motor de simulación. Argon puede generar miles de ejecuciones simuladas variadas a partir de una escena real captada por cámara y construir un gemelo digital realista. Combinado con demostraciones reales de entrenamiento, esto permite que el robot generalice más rápido a escenas y objetos nuevos. Argon también puede ayudar a los investigadores a formular hipótesis sobre por qué fallan las tareas a partir de vídeo, y a probar las mejoras tanto en simulación como directamente en robots reales.

DeepMind cierra presentando Gemini Robotics 2.5 como un hito en el camino hacia la «AGI física», con avances en destreza, fiabilidad en el mundo real y seguridad rigurosa. Todas las cifras proceden de la propia compañía y de sus socios, y el texto no incluye evaluación independiente ni detalles de las líneas base comparadas. Entre los socios agradecidos figuran Agile, Apptronik y Mercedes-Benz.