# ERQA 87%、真机成功率 56%→75%：Google 把「物理推理」做成了一个可调用的模型
> 一个通用推理模型被直接接到机器人栈的四段流程上：控制、仿建、标注、自改进。最值得记的不是 87% 这个分数，而是它给出的「一张照片生成 4500 条仿真，真机成功率从 56% 提到 75%」这条链路。
### TLDR
- **事件**：**2026 年 10 月 13 日**，Google DeepMind 发布 **Gemini 4 Argon**，同日在其开发者博客发布机器人方向专项说明，把模型能力拆成**机器人控制、Real2Sim 仿真重建、物理理解与标注、研究自改进**四块。
- **分数口径**：在具身推理基准 **ERQA** 上，Argon 以**纯推理、不开工具**取得 **87.0%**，Google 给出的对照是 **Claude Opus 5.5 82.3%、GPT-6 Astra 81.0%、Claude Fable 5.1 74.0%**，共 **400 道题**。
- **最硬的一条链路**：**Real2Sim** 环节中，Argon 从一张照片构建仿真场景并生成 **4500 条以上**训练片段，把一台真机的任务成功率从 **56% 提到 75%**。
- **现场案例**：控制波士顿动力 **Spot**（腿 **12 自由度**、臂 **6 自由度**）踩垃圾桶踏板并投进易拉罐——先在 **MuJoCo** 数字孪生里练三条腿平衡，再由前后摄像头交叉核对脚与手的位置。
- **边界**：**87% 是实验室自报分数**，ERQA 是较新的基准，**尚无独立复现**，也未建立与真实非结构化环境部署可靠性的相关性。
### SRC
素材时间窗为**当日 09:00 → 19:00**（北京时间 2026-10-14 09:00 → 19:00）。事件本身发生在 **2026-10-13**（美东时间），Google DeepMind 当日发布 Gemini 4 Argon 并在开发者博客发文；本窗口内的新增量是 **10-14 白天中文侧的系统性详版报道**（机器人前瞻 2026-10-14 18:11）与英文侧多家技术媒体的能力拆解（metallab.ai、vectorwire.ai、globai.org），本篇按扩窗规则第二条处理。事实性内容来自 Google DeepMind 开发者博客原文（作者 Kanishka Rao，Principal Software Engineer） 及上述转述：ERQA 得分 87.0% 与三个对照模型分数（400 题、关闭工具）、四大能力分块、Spot 案例的机型自由度与 MuJoCo 预演流程、零样本扶杯与塞纸巾、Gemini Omni 世界模型内 33 步排字母、Real2Sim 由单张照片生成 4500 条以上片段并把真机成功率从 56% 提升到 75%、人类第一视角视频重定向到 76 自由度双臂人形（每只五指手 22 自由度、仿真 500Hz）、以及关节偏差约束（臂 ≤0.55 弧度、手 ≤0.65 弧度）与「禁止施加外力、禁止关闭碰撞」两类反作弊限制。核查与边界：① ERQA 87.0% 为 Google 实验室自报，英文侧媒体（globai.org）明确提示该基准较新、未被独立复现、与真实部署可靠性的相关性未经验证，本号不将其读作「已能上岗」的证据；② 56% → 75% 是单一演示场景的数字，稿件未披露任务类型、试验次数与统计口径，本号按「单场景自报值」处理，不作跨任务外推；③ 33 步、4500 条片段、500Hz 等数字全部来自企业方自述，未获独立信源确认；④ Google 在通用榜单上「超越 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5」的说法，英文侧同样标注为单一信源。判断均以「判断：」标注。与站内存量稿的差异：本号 165 号稿（2026-09-18）写的是 Figure Helix 2.5 在 30 栋住宅中的零样本成功率从 8% 提升到 56%，主体为垂直整合的本体厂商；本篇主体是通用模型厂商，且 56% → 75% 这条链路的上游是「一张照片建仿真」而非「实景数据采集」，两篇的起算口径与责任方均不同。
### BODY
1先看清 Google 这次卖的不是机器人，是流程
四块能力，覆盖的是研发链而不是产品线
Google DeepMind 这次发布的东西有一个容易误读的地方：Gemini 4 Argon 本身不是一个机器人模型，它是通用物理推理模型；机器人在其中扮演的是「下游消费者」。博客把用途分了四块，四块连起来恰好是一条研发流水线。
| 能力块 | 博客给出的具体动作 | 替代了原来哪一段人力 |
|---|
| 机器人控制 | MuJoCo 里练技能；零样本控制未见过的任务；在世界模型内做闭环引导 | 写脚本、调控制器的工程师 |
| Real2Sim | 从真机遥操作录像、人类第一视角视频或手绘草图，重建物理标定的 MuJoCo 场景 | 建模与场景资产搭建 |
| 物理理解 | 多模态事后标注、稠密价值函数、进度估计，并做自动化质量控制 | 数据标注与质检 |
| 研究自改进 | 用仿真做迭代，再回到硬件验证 | 策略迭代的实验排期 |
表注：左列四块命名出自 2026-10-13 Google DeepMind 开发者博客；右列「替代了原来哪一段人力」为本号基于四块内容所做的功能归属归纳，非原文表述。
判断：这四块的排序本身就是一条论点——它默认「数据与仿真」比「控制算法」更值得被模型吃掉。判断依据：控制算法是各家机器人公司的老本行，也是最不愿意外包的部分；而仿真建模、数据标注、质检这三件事，谁做都是成本，且做不出差异化。Google 挑的是后者。这意味着它对机器人公司的推销话术会是「省人」，而不是「替你做人」。
256% → 75% 这条链路，值钱的是上游那一步
一张照片建出的仿真，为什么比多加几百小时数据更关键
博客里传播最广的做法是：Argon 从一张照片构建出仿真场景，生成 4500 条以上的训练片段，把一台真机的任务成功率从 56% 提高到 75%。
把这句话拆开看，真正稀缺的不是 4500 这个数字，而是「从一张照片开始」这个入口。真实场景建模过去需要扫描设备、标定流程和人工搭资产；如果这条链路能靠视觉推理自动完成，那么场景资产的生产成本会从「按项目计」变成「按需计」。
输入
单张照片 / 真机遥操作录像 / 人类第一视角视频 / 手绘草图，四类入口
过程
迭代调物体几何、质量与摩擦系数，直到三路相机视角与指尖触觉读数与真实录像对上
约束
臂关节偏差 ≤0.55 弧度、手部 ≤0.65 弧度；禁止施加外力、禁止关闭碰撞
输出
4500 条以上仿真片段，真机成功率 56% → 75%
中间那两条约束值得单独看一眼。它们不是性能指标，而是防作弊条款：不许把关节开得比真实记录更大，不许靠外力推着物体走，不许关掉碰撞检测。能写出这三条限制，说明这条链路的设计者知道仿真最容易在哪里造假。
对照来看：某个人形团队今年公开说「真机与人类视频预训练打平」，某本体厂商靠 30 栋真实住宅把零样本成功率从 8% 拉到 56%。这条链路的路线差别在于——前者在真实场景里加数据，Argon 在仿真里造数据。两条路并不互斥，但成本结构完全不同：前者随场景数线性增长，后者在建模入口打通后近似一次性投入。
3Spot 那个案例，被讲漏的是「交叉核对」
两个智能体互相盯住对方的手和脚
演示里最具体的是 Spot 那段：一台四足机器人（腿 12 自由度）带一条 6 自由度机械臂，要踩下垃圾桶的脚踏板，然后把易拉罐投进桶口。
博客给出的流程是：Argon 先给垃圾桶搭好 MuJoCo 数字孪生（连活动部件都在），让 Spot 在物理仿真里练三条腿平衡，再去踩真踏板。提示词要求 Spot 用前摄像头确认右脚正踩在踏板中央，并由两个智能体分别验证脚和手，交叉核对位置后再松手。公开视频里能看到：前摄像头发现易拉罐太靠桶口边缘，手随之往中间推了一下。
这套做法的可迁移部分
把「动作」拆成几个互相检查的子目标，每个子目标配一个独立的校验者。这不需要模型有多聪明，只需要它肯在动手前先看一眼。
不可直接迁移的部分
示范来自一段视频，环境是固定工位、单一物体、明确目标。换成物体随机、人来人往的现场，校验者本身就会变成新的失败点。
判断：「多智能体交叉核对」这类结构，价值不在成功率数字，而在失败可归因。判断依据：单一策略失败时，你只知道「没做对」；由脚校验者和手校验者分工后，失败可以直接落到「哪一步没通过校验」。对做交付的团队来说，可归因的失败比高 5 个点的成功率更值钱——因为它能变成一条可写进验收文档的检查项。需要说明的是，博客未给出该案例的试验次数与失败分布，本号无法核验其稳定性。
487% 这个分数的正确读法
它测的是「能不能答对」，不是「能不能做到」
ERQA 的全称是 Embodied Reasoning QA，测的是模型对三维环境里物理与空间问题的理解与求解。Argon 以纯推理取得 87.0%，Google 给出的同场对照是 Claude Opus 5.5 的 82.3%、GPT-6 Astra 的 81.0%、Claude Fable 5.1 的 74.0%，共 400 道题、关闭工具调用。
ERQA 具身推理基准，关闭工具调用的纯推理模式，共 400 题。数据来源：Google DeepMind 2026-10-13 发布图表，颜色仅作区分。
这里有两个必须同时说清的限制。第一，关闭工具调用的分数测的是「读懂」，不是「做对」。回答对一道空间题，和让一台机器人在同一个空间里不撞墙，中间隔着感知噪声、执行误差和时序问题。第二，基准越新，自报分数越需要打折。英文侧媒体的提示很直接：ERQA 尚未被独立复现，社区也还没建立它与非结构化环境部署可靠性的相关性。
判断：对采购方而言，这份分数最合理的用法是当筛子，不是当依据。判断依据：它足以说明「这个模型对三维物理的常识比上一代强」，但不足以说明「接上你的机器人就能跑」。可执行的做法是参考 Google 自己在博客里的建议路径——挑一个窄而可测的任务（比如把倒下的杯子扶正并塞进纸巾），跑自己的硬件在环测试，把闭环成功率与改造工作量一起记下来。只有这两项放在一起，才构成是否值得替换现有流水线的判据。
5把这次发布放回竞争格局里
「通用模型厂商直接吃机器人栈」这件事，今年多了一个样本
Argon 的定位是需要单独记一笔的：它是同一轮发布里，既作为通用前沿推理模型对外售卖（Gemini 应用与搜索的付费档、Antigravity 平台），又同时给出机器人专项说明的模型。英文侧的技术媒体把这一点视为它与竞争对手的结构性差异——通用与具身，被放在同一次发布里讲。
这对做二次开发的团队意味着什么？短期内最实际的变化不是买模型，而是多了一个可以对照的「仿真建模入口」。过去要做场景仿建，要么自己搭，要么找专门的服务商；现在多了一条「丢一张照片进去试试」的路径。它未必够用，但试错成本被显著压低了。
判断：这次发布最值得记住的不是分数，而是它把「具身」从模型厂商的边缘话题挪到了同一次发布的正题里。判断依据：过去一年，前沿模型厂商谈机器人多放在附录或研究博客；Argon 是通用发布与机器人专项同日出，且机器人的四块用途被写得比通用榜单更细。信号是：模型层的竞争已经开始把「物理世界接口」当作必争之地。至于这条路能不能走通，还要看它敢不敢公开同一个任务在不同厂商硬件上的横向结果——目前没有。
来源：Google DeepMind 开发者博客《Gemini 4 Argon for robotics》（2026-10-13，作者 Kanishka Rao）；机器人前瞻 2026-10-14 18:11 中文详版；metallab.ai / vectorwire.ai / globai.org 英文侧同日转述。核查边界：① ERQA 87.0% 与其三个对照分数均为 Google 实验室自报，基准较新、无独立复现，本号不将其读作部署能力证明；② 56% → 75% 为单场景自报值，任务类型、试验次数与统计口径均未披露；③ 4500 条片段、33 步、500Hz 等数字均来自企业自述，未获独立信源确认；④「超越 GPT-6 Astra / Claude Fable 5.1 / Claude Opus 5.5」在英文侧被标注为单一信源。转载内容版权归原作者及原出版物所有，本站仅作信息整理与观点标注。抓取时间 2026-10-14 19:00。