Mit Gemini 4 Argon will Google ein einziges Modell für den gesamten Robotik-Workflow etablieren: Es soll Roboter steuern, eigene Übungswelten bauen und Trainingsvideos bewerten. Die Beispiel-Prompts zeigen allerdings, wie eng Menschen das Modell dabei teilweise führen müssen.
Ein Spot-Roboter von Boston Dynamics soll Getränkedosen in einen Treteimer werfen. Bevor er auf das echte Pedal tritt, baut Gemini 4 Argon eine virtuelle Kopie des Eimers. Darin übt der Roboter, auf drei Beinen das Gleichgewicht zu halten. Erst dann wagt er sich an die echte Hardware. Bevor er die Dose fallen lässt, prüfen zwei zusätzliche KI-Agenten, ob Fuß und Greifer richtig sitzen.
Damit demonstriert Google die Fähigkeiten seines neuesten Modells für Robotikaufgaben. Argon soll räumliche Zusammenhänge besser erfassen, Steuerungscode schreiben und Videos physikalisch deuten. Google sieht das Modell als Allzweckwerkzeug, vom Steuern einzelner Roboter bis zum Nachbauen von Forschungsarbeiten. Laut Google ist Argon ein weiterer Schritt zur "physischen AGI", das sich der Konzern und insbesondere die KI-Tochter Deepmind schon lange auf die Fahne geschrieben haben.
Gemini 4 Argon steuert Spot so, dass er Dosen aufhebt und per Pedal in einen Mülleimer wirft, nachdem er den Ablauf in einer MuJoCo-Simulation geübt hat. | Bild: GoogleAus einem Foto werden Tausende Übungsrunden
Das Spot-Beispiel zeigt ein Muster, das in vielen Demos wiederkehrt: Argon nutzt Simulationen, um Aufgaben vorzubereiten, zu prüfen oder Trainingsdaten zu erzeugen. Aus einem einzigen Foto eines Tisches mit Party-Requisiten erstellte das Modell laut Google eine virtuelle Nachbildung, samt einer weichen Plüschkappe. Es dachte sich 77 Aufgaben aus, vom Aufrichten umgefallener Gegenstände bis zum Abräumen des Tisches, und erzeugte mehr als 4.500 Trainingsdurchläufe für ein Steuerungsmodell. Auf dem echten Roboter stieg die Erfolgsquote danach von 56 auf 75 Prozent, die benötigte Zeit sank von 35 auf 24 Sekunden.
Aus einem einzigen Foto erzeugt Argon über 4.500 variierte Simulationsepisoden, mit denen die Erfolgsquote des echten Roboters von 56 auf 75 Prozent steigt. | Bild: GoogleAls Vorlage genügen Argon auch andere Quellen. Aus der Aufzeichnung eines ferngesteuerten Roboters baut es eine Simulation, die nicht nur gleich aussehen, sondern an den Fingerspitzen auch dieselben Kräfte messen soll wie das Original. Aus einem Video, das ein Mensch aus der Ich-Perspektive bei einer Greifaufgabe aufgenommen hat, überträgt das Modell die Hand- und Fingerbewegungen auf einen virtuellen Humanoiden mit Fünffingerhänden.
Selbst eine Kugelschreiberskizze reicht. Sie zeigt einen humanoiden Roboter, der mit einem Ball eine Kistenpyramide abwirft. Argon setzt die Zeichnung in eine Simulation um und berechnet die Wurfbewegung so, dass alle sechs Kisten fallen und der Roboter nicht umkippt.
Aus einer einfachen Handskizze baut Argon eine Simulation, in der ein humanoider Roboter mit einem Wurf alle sechs Kisten umstößt, ohne das Gleichgewicht zu verlieren. | Bild: GoogleRegieanweisungen für ein Video-Weltmodell
Eine Demo spielt sich komplett in einem KI-generierten Video ab. Gemini Omni ist ein sogenanntes Video-Weltmodell: Es erzeugt Videos, die zeigen, wie sich eine Szene verändert, wenn darin etwas passiert. Argon übernimmt darin die Rolle eines Regisseurs. Es beschreibt in zeitgestempelten Anweisungen, was die Hände machen sollen, etwa einen Scrabble-Stein in die Tischmitte schieben. Gemini Omni erzeugt daraus ein Video. Argon prüft einzelne Bilder daraus und passt die nächste Anweisung an. Ziel ist, fünf verstreute Buchstaben zum Wort "ARGON" zu ordnen. Nach 33 Schritten liegen sie in der richtigen Reihenfolge.
Argon steuert das Video-Weltmodell Gemini Omni schrittweise, bis die Roboterhände die Buchstaben zum Wort ARGON sortiert haben. | Bild: GoogleAn einem einfachen Greifarm sollte Argon dagegen einen Legostein in eine Holzkiste legen und sich dabei selbst verbessern. Bei Fehlversuchen sollte Argon laut Prompt eigene Logs und Kamerabilder auswerten, die Ursache suchen und nach einem geprüften Fix erneut versuchen. Der erste Durchgang dauerte knapp eine Minute. Der zweite war mit 23 Sekunden deutlich schneller, der Stein streifte aber den Kistenrand. Im dritten Anlauf landete er nach gut 17 Sekunden mittig in der Kiste.
Über drei Versuche verkürzt Argon die Ausführungszeit des Roboterarms von 58,9 auf 17,4 Sekunden und trifft am Ende die Mitte der Kiste. | Bild: GoogleAuch für die Forschung soll Argon taugen: Mit einem Prompt pro Fachartikel baut es veröffentlichte Robotikexperimente als interaktive Simulationen nach, die im Browser laufen. Laut Google sind so 68 Sandkästen entstanden, darunter Roboterfussball und ein humanoider Roboter auf dem Skateboard.
Im ERQA-Benchmark (Embodied Reasoning Question Answering) müssen KI-Modelle physikalische und räumliche Probleme in 3D-Umgebungen verstehen und lösen. Getestet wurde mit 400 Fragen, und zwar ohne Hilfswerkzeuge: Die Modelle mussten die Aufgaben allein durch Schlussfolgern bewältigen. Argon erreicht dabei laut Google 87 Prozent und liegt damit vor allen anderen Frontier-Modellen. Den Abstand zum nächstbesten Konkurrenten Claude Opus 5.5 mit 82,3 Prozent beziffert Google auf knapp fünf Prozentpunkte. GPT-6 Astra folgt mit 81 Prozent, Claude Fable 5.1 bleibt mit 74 Prozent 13 Punkte hinter Argon zurück.
Im ERQA-Benchmark für räumliches und physikalisches Schlussfolgern liegt Gemini 4 Argon laut Google knapp fünf Prozentpunkte vor Claude Opus 5.5. | Bild: GoogleEin etwas anderes Bild zeigt der einen Tag später veröffentlichte Benchmark AA-Robotics von Artificial Analysis. Darin steuern Sprachmodelle in acht Aufgaben direkt einen echten Roboterarm, und Argon landet mit 55 von 100 Punkten auf Platz drei, hinter GPT-6 Astra mit 69 und GPT-6.1 Sol mit 65 Punkten.
Argon als Gutachter für Trainingsdaten
Daneben soll Argon Trainingsdaten begutachten. In einem gut zwei Minuten langen Video, in dem ein zweiarmiger Roboter einen Origami-Fuchs faltet, gliedert das Modell den Ablauf in Teilschritte und markiert Pausen und misslungene Griffe. Diese Passagen sollen beim Training weniger stark zählen. Bei einem Video, in dem ein Mensch Ringe sortiert, zeichnete Argon nach, an welchen Stellen die Aufgabe vorankommt, stockt oder Rückschritte macht.
Eher spielerisch ist die Umsetzung eines klassischen Wäge-Rätsels: Unter zwölf gleich aussehenden Kugeln ist eine schwerer oder leichter als die anderen. Argon baute dafür eine Simulation mit zwei Roboterarmen und einer Balkenwaage. Den Ausschlag der Waage liest das Programm allein aus Kamerabildern ab. Nach höchstens drei Wägungen ist die abweichende Kugel gefunden.
Das Gerüst steht in den Prompts
Google zeigt ausführliche Beispiel-Prompts für die Demos, die einige der Versprechen relativieren. Beim Aufrichten einer umgekippten Tasse, das als "zero-shot" beschrieben wird, erhält Argon ein Kamerabild mit eingezeichnetem Zentimeterraster und fertige Befehle wie "greifen" oder "bis zum Kontakt absenken". Für die Simulationen gibt es lange Verbotslisten, damit das Modell keine Umwege geht, etwa indem es gemessene Sensorwerte einfach übernimmt.
Ohne vorheriges Training richtet Argon eine umgefallene Tasse auf und steckt eine Serviette hinein, gesteuert über ein Koordinatenraster im Kamerabild. | Bild: GoogleMisserfolgsraten der einzelnen Demos nennt Google im Blogbeitrag nicht. Auch zur Erfolgsquote von 75 Prozent fehlt dort die Zahl der zugrunde liegenden Versuche.
Argon ist ab sofort in Google AI Studio und in der Entwicklungsumgebung Antigravity verfügbar, allerdings nur für Abonnenten von Google AI Ultra. Entwickler können das Modell außerdem im kostenpflichtigen Tarif der Gemini-API nutzen.
Google hatte sein neues Spitzenmodell Gemini 4 Argon erst wenige Tage zuvor weltweit veröffentlicht. Für die Robotik hatte der Konzern bereits mit Gemini Robotics-ER 1.6 ein Modell zur räumlichen Wahrnehmung und Aufgabenplanung vorgestellt. Auch das Training in virtuellen Umgebungen ist nicht neu: Das Start-up World Labs zeigte, wie sich reale Szenen in virtuelle Trainingswelten übertragen lassen, während Nvidia mit DreamDojo Roboteraktionen als Videos simuliert. Neu an Googles Ansatz ist vor allem der Anspruch, Simulation, Steuerung und Auswertung mit demselben Modell abzudecken.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
