Gemini Robotics 1.5

是什么

Gemini Robotics 1.5 是 Google DeepMind 在 2025 年 9 月 25 日发布的机器人模型之一，另一个是同日发布的 Gemini Robotics-ER 1.5。^[1] 前者是视觉-语言-动作（vision-language-action，VLA）模型：输入是摄像头拍到的画面和一句用人话下达的指令，输出是机器人该做的动作。后者是具身推理（embodied reasoning）模型，管的是动手之前把任务想清楚。^[1] DeepMind 把 Gemini Robotics 1.5 称作自己能力最强的视觉-语言-动作模型，把 Gemini Robotics-ER 1.5 称作自己能力最强的、用于对物理世界进行推理的视觉-语言模型。^[1]

两者是配套使用的，而不是一个模型包打天下。规划和控制被拆成两半：一个决定该发生什么，另一个把决定变成动作。

先想再做

Gemini Robotics 1.5 最突出的特点是先想后动——在做出动作之前，它先用自然语言生成一段内部推理。^[1] 普通的动作模型是指令进去、动作出来；这里中间多了一步：模型先用日常语言写出它理解的任务是什么、打算怎么做，然后才输出动作。

这一步有两个用处。一是长任务可以分段处理，模型不必每次都从画面一步跳到电机指令，能记住自己做到哪一步了。二是推理用的是自然语言，而不是某种看不懂的内部编码，人可以读、可以核对——当机器人即将做出代价高昂或危险的举动时，这一点很实用。

会调用工具的规划者

另一半工作由 Gemini Robotics-ER 1.5 承担。它充当高层规划者，像一颗高层大脑那样调度机器人的各项活动，决定步骤的顺序，再把每一块交给下层的动作模型。^[1] 它还能原生地调用 Google 搜索这类工具。^[1]

能调用工具，改变了规划者「知道什么」的边界。模型权重在训练结束时就固定了，训练之后发生的事、或者过于具体而没学过的细节，它都无从得知。允许规划者调用搜索工具，意味着它可以在执行任务的过程中现查，而不是靠猜。于是这个规划者不只决定怎么动，还负责把「决定怎么动」所需的信息补齐。

一套技能，多种身体

机器人学习有个老问题：在一台机器上训练出来的策略，换一台机器往往就失灵，因为不同机器人在体型、关节布局、臂展和传感器上差别很大。DeepMind 的结果是，只在 ALOHA 2 机器人上训练过的任务，在 Apptronik 的 Apollo 人形机器人和一台双臂 Franka 机器人上也能做，反过来同样成立。^[1]

这种双向迁移才是真正有分量的地方。它说明模型学到的是关于任务和物体的东西，换一副身体仍然成立，而不是把某台机器的动作习惯背了下来。如果这一点站得住，实验室就可以用手头现有的硬件教一项技能，并指望它在没有的硬件上跑起来。

谁能用，之后又出了什么

开放程度是分开的。Gemini Robotics-ER 1.5 通过 Google AI Studio 中的 Gemini API 向开发者开放，以预览模型的形式出现，发布日期为 2025 年 9 月 25 日；Gemini Robotics 1.5 则只提供给部分合作伙伴。^[1][2]

此后 Gemini API 中又陆续出现新的预览版本：gemini-robotics-er-1.6-preview 于 2026 年 4 月 14 日，gemini-robotics-er-2-preview 于 2026 年 7 月 30 日。^[2] 1.5 预览版列出的停用日期是 2026 年 4 月 30 日。^[2]

它处在什么位置

这次发布说明了机器人模型正在被怎样组装：一个负责规划和查资料的推理模型，加上一个把计划变成动作的动作模型，两者之间用自然语言沟通。它同时把「与身体无关的技能」——同一项训练好的任务既能跑在桌面双臂机器上，也能跑在人形机器上——从研究趣闻推向了开发者可以依赖的东西。