给机器人断了网它也能很好学习并执行任务的日子终于来了。
今天，谷歌DeepMind团队推出一种更加高效的机器人设备端模型：Gemini Robotics On-Device，谷歌方面称：“这是我们最强大的VLA模型，经过优化，它可在机器人设备上本地运行，并且具备强大的通用灵活性和任务泛化能力。”
由于该模型能独立于数据网络运行，因此它对延迟敏感的机器人应用很有帮助，在网络间歇性或零连接环境中实现更好的稳健性。
DeepMind和谷歌研究院首席科学家Jeff Dean发帖称，Gemini Robotics On-Device凝聚了谷歌团队十多年的机器人研究和工程经验。
目前，谷歌提供了Gemini Robotics SDK开发套件，能够帮助开发者轻松评估Gemini Robotics在设备上的性能，在MuJoCo物理模拟器测试中，该模型能让机器人快速适配到新领域或新任务中，只需50~100次示范即可适应新任务，表现十分出色。
这次新发布其实已是Gemini Robotics系列的第三款模型。
谷歌Gemini系列大模型在跨文本、图像、音频和视频等多模态推理、解决复杂问题方面业内领先，然而，这些能力主要局限于数字领域，尚未在现实世界中发挥巨大作用，因为它们必须具备“具身”推理——即像人类一样理解和应对周围世界并采取稳妥行动完成任务的能力。
早在今年3月，谷歌就推出了Gemini Robotics系列VLA（视觉–语言–动作）模型框架，旨在将Gemini 2.0的多模态推理和理解能力带入物理世界。
第一个推出是Gemini Robotics，它基于Gemini 2.0构建，添加了物理动作作为新的输出模式，用于直接控制机器人；第二个是Gemini Robotics-ER，这是一个具有先进空间理解能力的Gemini模型，使机器人专家能够将Gemini的具身推理能力运用到自己的程序中。
第三个Gemini Robotics On-Device模型如其字面意思，主要聚焦于设备端上。
官方表示，Gemini Robotics On-Device是基于双臂机器人训练的基础通用模型，旨在最大限度地减少计算资源需求，其具备三大特点：1、专为灵巧操作的快速实验而设计；2、能通过微调来适应新任务进一步提高性能；3、经过优化，可在本地运行并实现超低延迟推理。
值得称赞的是，这个离线模型的部分性能几乎与其旗舰Gemini Robotics模型一样好。
研究人员的评估结果显示，该模型的“设备模式”在完全本地运行时表现出强大的泛化性能。
在更具挑战性的分布式任务和复杂的多步骤指令方面，Gemini Robotics On-Device模型的表现优于其他设备端替代方案，对于希望获得最佳结果且不受设备端限制的开发者，谷歌还提供了优化的Gemini Robotics模型。
Gemini Robotics On-Device也是谷歌首个可供微调的VLA模型，虽然在许多任务上可以直接运行，但开发者也可以选择调整模型参数，使其更加匹配具体需求和设备，从而获得更佳性能，研究人员表示，该模型能够快速适应新任务，只需50到100次演示即可完成学习，充分表明了该设备端模型将其基础知识推广到新任务的泛化能力。
从官方给出的实际演示案例来看，虽然模型仅针对ALOHA机器人进行了训练，但却能很快将其调整到双臂Franka FR3机器人和Apptronik的Apollo人形机器人上。
而且在Apollo人形机器人上，模型能适应截然不同的多种任务形态，可以遵循自然语言指令，并以通用的方式操控不同的物体，包括它之前从未见过的物体。
从目前来看，Gemini Robotics On-Device是业内唯一支持全链路离线运行、任务泛化性强且开放SDK的通用VLA模型，谷歌DeepMind机器人技术主管Carolina Parada表示，这种方法可以让机器人在具有挑战性的环境下更加可靠。
不过本地运行的模型端侧算力限制仍是挑战，这可能也是Gemini Robotics On-Device是基于Gemini 2.0研发而非最新的2.5版本。
VLA模型是目前具身智能领域十分火热的研究课题，在国内，不少具身智能企业和高校科研机构联手，从不同角度进行着创新探索。
国内VLA模型的核心竞争力体现在三维空间理解、物理规律挖掘、场景泛化、架构创新等方向，背后依赖“国家队科研机构+高校+企业”的协同生态，技术路径和创新各有千秋。
例如，银河通用联合北京智源人工智能研究院、北京大学和香港大学发布的具身抓取基础大模型GraspVLA，特点是预训练完全基于合成大数据，数据量达十亿帧“视觉–语言–动作”对，后训练阶段支持零样本迁移与小样本学习，仅需小样本真实数据微调即可迁移至特定场景（如工业分拣、家庭整理），形成“专家”技能。
智元机器人和上海交通大学合作推出的Hume双系统VLA模型，引入慢思考机制，通过动作价值引导的候选动作采样与级联去噪，解决长时序任务（如折叠短裤、倒咖啡）的规划难题，平均成功率达91%；智元机器人的另一个模型GO-1提出ViLLA（Vision-Language-Latent-Action）架构，整合VLM（通用感知）、隐式规划器（动作理解）、动作专家（精细执行），成功率较基线模型提升32%。
灵初智能推出的DexGraspVLA采用“域不变表征+分层扩散控制”架构，通过统一语义与动作空间，实现数据高效利用与开放场景泛化，据悉，这是全球首个用于灵巧手通用抓取的VLA框架，仅需2小时真实抓取数据（2094 条轨迹）即可泛化至1287种未见过的物体、光照和背景组合，数据利用效率是海外模型的250倍。
自变量机器人研发的WALL-A端到端统一具身大模型，突破传统分层架构（感知→规划→控制）的噪声传递问题，支持从原始传感器信号到机器人动作的纵向统一和横向任务统一，跨任务泛化能力出色，据说是全球唯二掌握“端到端统一架构”的团队。
千寻智能推出的千寻VLA，将“动态感知柔性操作+高效样本利用+任务级泛化”三位一体，实现“一镜到底”的叠衣服全流程（抓取→甩平→折叠→堆叠），连续操作50件衣物成功率超90%。
中科院自动化所谭铁牛团队和字节跳动Seed合作推出的BridgeVLA，斩获CVPR 2025 GRAIL workshop的COLOSSEUM Challenge冠军，该模型通过创新性的“2D空间对齐”架构，解决了传统3D VLA模型数据效率低与泛化能力弱的难题。
VLA模型作为当下具身智能的核心技术之一，正深刻重塑着机器人产业的发展路径，推动机器人从“专用自动化”迈向“通用智能”，重构人机交互范式，实现自然语言驱动的机器人复杂任务执行能力。
做好VLA，或许将见证具身智能机器人产业第一次真正高峰的到来。
-END-
（文：头部科技）