Gemini Robotics 2 ist ein Vision-Language-Action-Modell. Google zeigt es beim Gehen, Hocken, Strecken und Greifen mit einem humanoiden Roboter. Gemini Robotics ER 2 verfolgt Videobilder, zerlegt mehrminütige Aufgaben und koordiniert mehrere Roboter. Die On-Device-Variante soll ohne Cloud-Anbindung auf dem Roboter laufen.
Bei Ganzkörperaufgaben mit Apptronik Apollo 2 nennt Google 76,3 Prozent beim Aufnehmen aus einem Regal, 68,4 Prozent beim Aufnehmen vom Tisch und 45,7 Prozent vom Boden. Mit einer anderen Hand schafft das System 92 Prozent beim Herausdrehen einer Glühbirne, aber 36 Prozent beim Einschrauben. Das zeigt die Grenze zwischen Greifen und genauer Montage.
ER 2 erreicht laut Google 57,4 Prozent bei der Fortschrittsklassifikation und 91,3 Prozent beim Auffinden eines Videomoments, mit einer mittleren Abweichung von 0,96 Sekunden. ER 2 ist über Gemini API und AI Studio verfügbar; die beiden Aktionsmodelle bleiben Trusted-Testern vorbehalten. Die Model Card schließt sicherheitskritische Anwendungen wie Gesundheitswesen und Transport aus.