Die drei Modelle und ihre Rollen: Gemini Robotics 2 ist das VLA, das Seh- und Sprach-Eingaben in Motorsteuerung übersetzt und dabei nach Googles Darstellung erstmals den ganzen Humanoiden führt – gehen, hocken, strecken und greifen als eine zusammenhängende Bewegung. Gemini Robotics ER 2 plant darüber: Es verfolgt einen laufenden Video-Strom, um Fortschritt zu bewerten und sich zu korrigieren, zerlegt mehrminütige Aufgaben in Schritte und koordiniert mehrere Roboter in einem gemeinsamen Raum. Dabei kann es „natively call tools like Google Search to find information, or any other user-defined function“ und orchestriert Robotik-APIs sowie die VLA-Modelle selbst. Gemini Robotics On-Device 2 ist die lokal laufende Variante; sie passt sich laut Google an neue Roboter-Bauformen an „with just a few hours of adaptation time, typically with less than 200 examples“. Die Model Card von ER 2 zieht eine ausdrückliche Grenze: nicht für sicherheitskritische Anwendungen wie Gesundheitswesen oder Transport.
Die Zahlen zum Körper: Google zeigt die VLA-Erfolgsraten getrennt nach Roboter und Hand. Auf dem Humanoiden Apptronik Apollo 2 mit Inspire-Händen liegen die Ganzkörper-Aufgaben bei 76,3 Prozent (aus dem Regal aufnehmen), 68,4 Prozent (vom Tisch) und 45,7 Prozent (vom Boden). Auf demselben Roboter mit SharpaWave-Händen misst Google die mehrfingrige Feinmotorik: Glühbirne herausdrehen 92 Prozent, Müllbeutel zubinden 44 Prozent, Ziplock-Beutel 40 Prozent, Glühbirne einschrauben 36 Prozent, Kehrblech 32 Prozent. Am stabilsten ist der klassische Zwei-Arm-Aufbau mit Greifern (Franka Duo): präzises Einfügen 89,6 Prozent, Werkzeug-Kommissionierung 78,9 Prozent, allgemeines Aufnehmen und Ablegen 74,2 Prozent. Die Spanne zwischen Herausdrehen (92 Prozent) und Einschrauben (36 Prozent) derselben Glühbirne ist dabei das genaueste Bild vom Stand der Dinge: Greifen ist gelöst, Fügen nicht.
Die Zahlen zum Kopf: Für ER 2 nennt Google 57,4 Prozent Trefferquote bei der Fortschritts-Klassifikation – also der Frage, wie weit eine Aufgabe gediehen ist – und bezeichnet das als besser als Vorgänger- und konkurrierende Frontier-Modelle. Beim Auffinden eines bestimmten Moments in einem Video kommt es auf 91,3 Prozent Genauigkeit bei einer mittleren absoluten Abweichung von 0,96 Sekunden, laut Google bei „4x the execution speed“. Über die Kernfähigkeiten des räumlichen Verständnisses hinweg (Erfolgserkennung in Bild und Video, Fragebeantwortung nach ERQA, Ablesen von Instrumenten) beansprucht Google jeweils die höchste Genauigkeit; bei der Werkzeug-Orchestrierung liegt ER 2 nach eigener Messung in allen drei Betriebsarten – echtes VLA, simuliertes VLA und menschliche Fernsteuerung – vor ER 1.6.
Sicherheit, Verfügbarkeit, Vorbehalte: Google führt mit „ASIMOV-Agentic“ einen eigenen Benchmark für agentische Sicherheit ein, der unter anderem prüft, ob das Planungsmodell unsichere Werkzeug-Aufrufe eines VLA verweigert; ER 2 sei das bislang sicherste Robotik-Modell bei der Einhaltung von Sicherheitsvorgaben und in Menschennähe. Als Roboter-Plattformen nennt der Beitrag Boston Dynamics Spot, Apptronik Apollo 2 und Franka F3 Duo. Einzuordnen ist das Ganze als Fortschreibung: Gemini Robotics 1.5 kam im September 2025 mit Techniken zur Bewegungsübertragung, ER 1.6 im April 2026. Was fehlt, ist eine Messung von außen. Weder die Erfolgsraten noch der Sicherheits-Benchmark sind unabhängig reproduziert, und der ASIMOV-Benchmark stammt vom selben Haus, dessen Modelle er bewertet.