机器人的脑子被拆成了三块：Gemini Robotics 2 的分工，和一个 6B 的开源对手

具身这条线今年最值得看的不是哪个机器人又跳舞了，是架构分工定下来了：高层规划、底层执行、端侧兜底，三件事开始由三个不同的模型干。

7 月 30 日谷歌 DeepMind 一次放了三个模型，正好把这个分工摆在明面上。一周多之前，蚂蚁的 Robbyant 开源了一个能跨机体的 6B VLA。两边放在一起看，能看出这条路线现在真实的水位。

一、谷歌的三块：规划、执行、端侧

Gemini Robotics 2 是一次发的三个模型，三个不同的开放档位。

• →Gemini Robotics 2：VLA 模型（视觉-语言-动作），把视觉和语言输入转成电机控制。能驱动整个人形机体——从脚到指尖，也能驱动其它双臂机器人。仍然受限开放。
• →Gemini Robotics ER 2：具身推理模型，本质是个视觉语言模型，充当高层大脑。跟人沟通、理解物理世界、规划持续几分钟的多步任务。模型卡显示它基于 Gemini 3.5 Flash，接受交错的文本/图像/视频/音频，上下文最长 128k，输出最多 64k token。公开预览（public preview）。
• →Gemini Robotics On-Device 2：精简版 VLA，跑在机器人本地。输入是文本、图像和本体感知的数值，输出是动作数值。仍然受限开放。

分工方式对做系统的人很有参考价值：ER 2 负责规划和跟踪任务，然后把电机执行当成一个「工具」交出去。开发者把底层控制接口——VLA 模型也好、导航 API 也好——注册成可调用的工具，然后把多模态的视频、音频、文本直接流进模型。ER 2 通过 Gemini Live API 的双向流式端点接入，官方说这样做的目的是消掉「停下来想一想」那种会打断多步执行的停顿。

二、成功率：别只看那个 92%

谷歌公布的数字是同一个 checkpoint 控制三种机体测出来的（Apollo 2 配 SharpaWave 五指手、Apollo 2 配 Inspire 手、Franka Duo 配 Robotiq 夹爪）。

全身操作（Apollo 2 + Inspire 手）：从货架取物 76.3%，从桌面取物 68.4%，从地面取物 45.7%。

多指灵巧（Apollo 2 + Sharpa 五指手，22 个自由度）：拧下灯泡 92%，扎垃圾袋 44%，密封自封袋 40%，拧上灯泡 36%，用簸箕 32%。

夹爪灵巧（Franka Duo）：精密插入 89.6%，多样化工具配套 78.9%，一般抓放 74.2%。

同一个模型，同一只手，拧下灯泡 92%，用簸箕 32%。多指灵巧这条轴是目前最弱的一环，而且弱得极不均匀。

ER 2 那边测的是另外两件很少被 benchmark 的事，我觉得比抓取成功率更有意思：

• →进度分类：把视频流的每一帧归到五档进度之一（0–20% 到 80–100%），也就是「这活儿干到哪了」。ER 2 的准确率是 57.4%。
• →时刻定位：找出关键事件发生的那一帧，比如「该停止往杯子里倒咖啡的那一刻」。准确率 91.3%，平均绝对偏差 0.96 秒。

另外三项空间能力做了升级：成功/失败检测从静态截图改成在原始视频流上跑（这样才抓得到执行中途的洒落和滑脱）；仪表读数从圆形表盘扩展到数字显示、线性刻度、直尺和液体温度计，覆盖 10 类仪器；空间视觉问答随 Gemini 的多模态能力一起提升。

谷歌自己承认的短板是「运动速度还有待提升」。

三、端侧那个模型，才是给中小团队看的

On-Device 2 的定位是不能依赖网络延迟和连通性的场景。它天生多机体，继承了 Gemini Robotics 1.5 的运动迁移技术。

最有价值的数字是适配成本：适配一个全新的双臂机体通常只要几个小时、少于 200 个样例，而且这个结论在形状、传感器、自由度差异巨大的机体之间都成立。演示平台包括 Dexmate、SO101、Trossen。

模型卡里有一张跟上一代的对照表，测的是只在后训练阶段才引入的平台：

• →SO101：On-Device 2 从 6.7% 到 53.3%；On-Device 1 从 0.0% 到 6.7%。
• →Dexmate：On-Device 2 从 24.4% 到 75.6%；On-Device 1 从 13.3% 到 33.3%。

SO101 那一行是真正的分水岭：上一代基本没离开地面，这一代过了 50%。

模型卡也写了限制：在分布外任务上的泛化有限，控制高自由度机器人的能力有限。

另外谷歌把一个新的安全基准 ASIMOV-Agentic 放到了 Hugging Face 上，CC-BY-4.0。做具身的团队应该先把这个跑一遍再谈落地。

四、蚂蚁的 LingBot-VLA 2.0：开源那一边

2026 年 7 月 8 日，蚂蚁集团旗下 Robbyant 放出 LingBot-VLA 2.0：技术报告 + Apache-2.0 的代码库 + 一个 6B checkpoint（lingbot-vla-v2-6b）。视觉语言骨干用的是 Qwen3-VL-4B-Instruct，训练时由 LingBot-Depth 和 DINO-Video 两个教师模型蒸馏。

延迟数据很具体：在一张 NVIDIA GeForce RTX 4090D 上，一次推理约 130 毫秒（10 步去噪）。这个数字对判断能不能上真机很关键。

数据规模：约 6 万小时预训练数据——5 万小时机器人轨迹 + 1 万小时第一人称人类视频，覆盖 20 种机器人构型，从单臂到全尺寸人形。原始池子更大（约 9 万机器人小时 + 2 万第一人称小时），靠一条重做的流水线过滤下来。

过滤规则写得很明确，值得做数据的人抄：按机体计算三阶加加速度以及速度、加速度的 Z 分数，平滑度异常或者超过 95% 是静止信号的片段直接丢；视频要和用各机器人 URDF 回放出来的状态对得上；标注员再剔掉模糊、遮挡、丢帧、多视角不对齐。

统一动作表示这次是 55 维的规范向量，状态和动作共用一套，所有机体固定同一个布局：手臂关节位置 14、末端执行器位姿 14、夹爪位置 2、手指关节位置 12、腰部 4、头部 2、移动信号 3、保留 4。机体缺哪个部位就把对应维度补零。一个模型因此能同时管手臂、手、夹爪、腰、头和移动底盘。

效果上，在 GM-100 双臂基准的通用设定下（一个策略在每个机体的九个任务上联合训练，报的是进度分 / 成功率）：AgileX Cobot Magic 上 LingBot-VLA-2.0 是 66.2 / 34.4，π0.5 是 59.1 / 32.2，GR00T N1.7 是 36.3 / 17.8。长程移动操作上，Astribot S1 做冰箱整理，同分布 77.1 / 60.0 对 π0.5 的 65.3 / 46.7；换成分布外（扰动位姿和物体）之后掉到 37.0 / 13.3。

五、看这条线的三条纪律

• →盯成功率，别盯演示视频。顶级实验室在受控环境里的抓放成功率是 45% 到 90%，换到分布外任务会掉一半以上。任何「机器人已经可以替代工人」的说法，拿这组数去对一下就清楚了。
• →进度分和成功率的差值，是最值钱的诊断信息。LingBot 的报告里点明了：有些任务进度分高但成功率低，说明失败集中在最后那一下精确放置或者松手。你自己做评估的时候也要把这两个数分开记，只记成功率等于丢掉了「差在哪」。
• →先确认你的机体在不在支持列表里。统一动作表示解决的是「一个模型管多种机体」，不是「任何机体插上就能跑」。不在训练分布里的机体要自己做后训练——谷歌那边说几小时、少于 200 个样例，蚂蚁那边给了完整的部署脚本，但这都是在人家验证过的平台上。

最后一件事：这两边都在往「一个大脑，多个身体」走。谷歌的 ER 2 把执行器当工具调，蚂蚁的 55 维向量把不同本体压进同一个空间。如果这个方向成立，那么做机器人本体的和做机器人智能的，会越来越像做手机的和做安卓的关系——这对国内一大批硬件团队来说，是个需要现在就想清楚的站位问题。