Google DeepMind lanza Gemini Robotics 2.5 y abre benchmark de seguridad robótica
Google DeepMind publicó este martes (10) Gemini Robotics 2.5, lo que la empresa describe como su modelo de lenguaje-visual-acción (VLA) más capaz hasta la fecha para el control robótico físico, junto con el benchmark de código abierto ASIMOV-Jailbreak, creado para medir la robustez de agentes de inteligencia artificial corporal contra prompts adversarios.
Qué aporta Gemini Robotics 2.5
A diferencia de su predecesor Gemini Robotics 2 (lanzado en julio de 2026), la versión 2.5 fue diseñada para manipular objetos deformables, herramientas y artículos frágiles, considerados los mayores obstáculos para desplegar robots humanoides en entornos industriales no estructurados. En las evaluaciones de DeepMind, el modelo superó las líneas base existentes en un 30% a 100% dependiendo del tipo de tarea, y completó tareas un 20% a 30% más rápido.
Los números son llamativos en tareas que Gemini Robotics 2 no podía realizar en absoluto: cerrar la tapa de una caja de herramientas negra (0% → 93%), empacar dulces con pinzas (5% → 100%), desatar lazos de cinta (0% → 70%), colgar un cárdigan (0% → 62%). Incluso en las tareas más complejas, la 2.5 alcanza tasas de éxito del 40% al 75%, lo que aún deja margen para mejoras pero señala un salto significativo.
El modelo fue evaluado en más de 200 tareas distintas, incluyendo servir comida con pinzas, atar lazos en cajas de regalo y realizar pipeteo de líquidos — tareas que requieren coordinación fina entre visión, planificación y acción motora.
Arquitectura dividida: ER + 2.5
Una innovación arquitectural clave es la separación entre dos modelos: Gemini Robotics ER (Embodied Reasoning), que se encarga de la planificación y seguimiento del flujo de trabajo, y Gemini Robotics 2.5, que controla las manos y brazos del robot. Esta divisón permite que el sistema rastree tareas de largo alcance mientras ejecuta acciones complejas en tiempo real.
DeepMind probó la arquitectura con el robot humanoide Apptronik Apollo 2 (mano de cinco dedos con 22 grados de libertad de SharpaWave) y con la plataforma Franka Duo (garras paralelas de dos dedos). El modelo también funciona nativamente con más de un tipo de cuerpo robótico.
En el piso de fábrica: Mercedes-Benz y Apptronik
La prueba más concreta ocurrió en las líneas de producción de Mercedes-Benz en Kecskemét (Hungría) y Sindelfingen (Alemania), donde Apollo 2 realizó kitting automotriz: recoger piezas automotrices de baldes a granel y organizarlas en bandejas secuenciales, en el orden exacto necesario para cada vehículo de la línea. La tasa de éxito fue del 96%.
> "Este es el propósito por el que construimos Apollo: trabajo útil junto a las personas en entornos industriales reales. Combinar Apollo 2 con Gemini Robotics vimos que los modelos mejoraron dramáticamente en solo unas semanas de post-entrenamiento y se transfirieron a la producción de Mercedes-Benz con muy poca pérdida. Esta es la base para llevar robots humanoides a entornos industriales y comerciales a escala" — Jeff Cardenas, CEO de Apptronik.
La prueba se describe como una prueba de concepto, y DeepMind aún no ha revelado planes de despliegue a gran escala o fechas de lanzamiento comercial.
La seguridad como prioridad
Con robots operando en entornos impredecibles, DeepMind ha puesto un fuerte énfasis en la seguridad. Gemini Robotics 2.5 utiliza razonamiento en tiempo de inferencia para sortear peligros físicos en tiempo real — un sistema de orientación que funciona de forma similar a los clasificadores de seguridad añadidos a las respuestas de LLMs, pero aplicado a acciones motoras físicas.
En las evaluaciones, la orientación aumentó la conclusión segura de tareas en un 33% alrededor de obstáculos y en un 43% alrededor de personas. El modelo Gemini 4 Argon lidera las evaluaciones de seguridad de agentes robóticos de Google con un 99,5% de resistencia a jailbreaks — una mejora significativa respecto al 82% del Gemini Robotics ER 2.
El benchmark ASIMOV-Jailbreak ha sido publicado en Hugging Face con cientos de prompts que disfrazan solicitudes no seguras en docenas de escenarios diferentes, permitiendo a la comunidad probar la robustez de sus propios modelos corporales.
Gemini 4 Argon como motor de simulación
Un aspecto menos divulgado pero potencialmente más impactante: Gemini 4 Argon, el modelo centrado en investigación de robótica, se está utilizando como motor de simulación. A partir de escenas reales de cámara, Argon construye un gemelo digital y genera miles de ejecuciones simuladas de práctica variada. Combinado con demostraciones reales, esto permite que el robot generalice a nuevas escenas y objetos mucho más rápido.
Argon también ayuda a los investigadores a hipotetizar por qué fallan las tareas a partir de grabaciones de vídeo y a probar mejoras tanto en simulación como directamente en robots reales.
Qué esperar a continuación
Gemini Robotics 2.5 no está disponible como API pública — el acceso es a través de socios robóticos, entre los que DeepMind cita a Apptronik, Mercedes-Benz y Agile Robotics. No hay fecha de lanzamiento general, precios ni cronograma público.
La tendencia es clara: la línea entre la inteligencia artificial "digital" y la robótica "física" se está disolviendo. Google está posicionando a Gemini 4 Argon como el modelo de investigación que acelera todo el ciclo de desarrollo, desde la simulación hasta el despliegue en robots reales. Y el benchmark abierto ASIMOV-Jailbreak señala la intención de construir un ecosistema — cuantos más equipos prueben la seguridad de los modelos, más confiables serán estos sistemas cuando salgan del laboratorio.
La pregunta es si la adopción industrial a gran escala de robots humanoides dependerá más de avances en destreza motora o de ganancias en seguridad y confiabilidad — y si el mercado madurará antes de que las tecnologías subyacentes logren el mismo.
---
Fuentes: DeepMind Blog (deepmind.google), CellCog (cellcog.ai), Coding is Love (codingislove.com)
Fuentes: DeepMind Blog, CellCog, Coding is Love
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
