Gemini Robotics 2.5 grimpe à 96 % chez Mercedes-Benz

DeepMind présente Gemini Robotics 2.5, la nouvelle version de sa plateforme d’IA robotique, le 12 novembre 2026. Le système associe Gemini Embodied Reasoning, qui interprète les instructions et la vidéo en direct, à Gemini Robotics, le modèle vision-langage-action qui génère les mouvements. DeepMind indique une progression de 30 à 100 % du taux de réussite par rapport à la version précédente. La plateforme serait aussi 20 à 30 % plus rapide lors des tests en laboratoire. Les évaluations ont porté sur plus de 200 activités. Elles incluaient le service d’aliments avec des pinces et l’utilisation d’une pipette. Google a également montré Apollo 2, le robot humanoïde d’Apptronik, nouant un ruban avec ses cinq doigts.

Les tests industriels ont associé Google, Apptronik et Mercedes-Benz. Des robots Apollo 2 équipés de Gemini Robotics 2.5 ont conditionné des pièces automobiles dans plusieurs usines européennes. Ils ont atteint un taux de réussite de 96 %. Kanishka Rao, directeur chez DeepMind, estime que réduire l’écart restant de 4 % représentera une « route difficile ». Carolina Parada, responsable de la robotique chez DeepMind, décrit un compromis entre spécialisation et généralisation. Un robot peut être très performant dans une application particulière, mais moins généralisable. À l’inverse, pousser la généralisation peut empêcher d’atteindre 99,9 % dans chaque application. Les résultats industriels diffèrent donc des performances mesurées en laboratoire.

Gemini 2.5 progresse en usine

Les données synthétiques ont contribué à l’entraînement de Gemini Robotics 2.5. DeepMind indique que Gemini 4 Argon a servi à construire un moteur de simulation. L’équipe a généré des milliers de variantes à partir d’exécutions fondées sur des images de caméras réelles. Ces « jumeaux numériques » ont servi à généraliser plus rapidement des tâches et des environnements différents. DeepMind a combiné ces données avec des démonstrations d’entraînement traditionnelles. Argon a également analysé des échecs et suggéré des améliorations dans les simulations et sur les robots réels. Le modèle reste toutefois exécuté sur des serveurs infonuagiques. La latence demeure donc un paramètre de cette version, tandis que certaines démonstrations vidéo ont été accélérées deux fois.

La sécurité physique repose notamment sur un raisonnement effectué pendant l’inférence. DeepMind indique que Gemini Robotics 2.5 peut s’arrêter complètement ou attendre lorsqu’un obstacle apparaît. Cette fonction a permis de terminer les tâches en sécurité 33 % plus souvent lorsque des obstacles étaient présents. Le taux atteignait 43 % lorsque des personnes se trouvaient sur le chemin. DeepMind présente aussi ASIMOV-Jailbreak, une base de données en code ouvert contenant 1 500 prompts destinés à piéger une IA robotique. Un test peut demander de fermer un sac avec un mécanisme trop difficile à manipuler. Refuser cette action constitue le comportement attendu. Une tentative incorrecte constitue le résultat dangereux. La base ASIMOV est disponible sur Hugging Face.

ASIMOV teste les comportements dangereux

Les scores de sécurité varient selon la configuration évaluée. DeepMind annonce un niveau de sécurité de 98,8 % lorsqu’Argon intervient dans la boucle. Gemini Robotics ER 2 obtient 73,5 % dans le même référentiel de sécurité présenté par Google. ASIMOV-Jailbreak vise les équipes qui développent des systèmes d’IA incarnée et souhaitent analyser leurs comportements. La base fournit ainsi un ensemble commun de situations conçues pour provoquer une action inappropriée. Gemini Robotics 2.5 n’est pas disponible pour le grand public. La version est toutefois entre les mains de partenaires robotiques de Google. La liste citée comprend Agile Robots, Apptronik et Boston Dynamics. DeepMind présente Gemini Robotics 2.5 et ses résultats industriels.

Le déploiement reste ciblé sur des partenaires et des expérimentations en usine. Gemini Robotics 2.5 combine une amélioration de la réussite, une vitesse accrue en laboratoire et des fonctions d’arrêt face aux obstacles. Les tests Mercedes-Benz montrent toutefois un taux de 96 %, inférieur à la réussite attendue pour certaines tâches répétitives réalisées par des humains. Le modèle doit aussi composer avec une exécution sur des serveurs infonuagiques. DeepMind met donc en avant deux axes distincts. Le premier concerne la capacité à généraliser des gestes, comme nouer un ruban ou manipuler une pipette. Le second concerne l’évaluation de la sécurité avec 1 500 scénarios ASIMOV-Jailbreak. Pour aller plus loin, consultez notre guide sur déployer un chatbot IA pour le service client.