Gemini Robotics 2.5 進入賓士產線試點：96% 成功率與機器人安全數字怎麼看？
Gemini Robotics 2.5 公布賓士產線配料試點，解析 96% 成功率、約兩百項任務進步，以及動作安全與高階模型抗攻擊評測的不同範圍。
Gemini Robotics 2.5 的產線案例，呈現了機器人工作的兩種難度：拿起零件之後，還要把對的零件放進對的車款料盤。工廠還要處理位置變化、工具接觸與人員經過，單看一支流暢示範影片很難知道系統能承擔多少工作。
Google DeepMind 在 11 月 10 日發表這次 2.5 版更新，除了約兩百項任務評估，也公布與合作夥伴在賓士工廠的產線試點。這讓討論從展示動作，前進到實際流程中的一項工序。
官方說試點中的金屬零件配料作業達到 96% 成功率。這個數字對特定工序有意義，卻沒有涵蓋每一種零件、工廠環境或機器人任務。
新模型同時使用語言、影像和動作訊號，讓機器人把看到的環境與收到的指令連到手臂控制。但理解任務、決定下一步與實際執行，仍由不同層次共同完成。
安全評估也必須分層閱讀。動作任務能否安全完成，和高階推理模型能否抵抗惡意指令，衡量的不是同一個問題。
這次進展值得關注的是工序的可重複性，而非把單次成功等同全面自動化。先看模型實際接手哪種動作，才能理解工廠數字的範圍。
Gemini Robotics 2.5 如何把指令變成動作？
視覺、語言、動作模型會把看到的環境與文字要求，轉成機器人可執行的控制。這類模型簡稱 VLA，可以把它理解成連接攝影機、工作指令和手臂動作的系統。
以前述配料工作為例，機器人必須辨識哪個物件是支架，再判斷如何抓住，以及放到哪個位置。因為物件擺放不會每次相同，只有固定路徑還不夠。
動作模型的用途，是讓感知和控制能一起調整。畫面出現新的位置或接觸狀態時，系統需要利用這些變化修正接下來的動作，才能持續完成任務。
Google DeepMind 的公告把 2.5 的改善放在精細操作與長步驟工作。這使評估焦點從單次拿放，延伸到打包、使用工具與接觸物件的連續過程。
長步驟會放大失誤的影響。假設前面拿起物件成功，後面卻無法放進容器，使用者收到的仍是未完成工作，所以只計算某個漂亮動作的成功次數並不足夠。
硬體同樣會改變問題。官方使用的人形機器人與雙臂平台，手指數量、可動關節和夾取方式不同，模型能否在兩種平台工作，比只在一支手臂上演示更有參考價值。
但跨平台評估仍不表示可直接裝到任意機器人。攝影機位置、控制介面與安全設備都屬於完整系統的一部分，採用者還得處理自己的整合條件。
這也解釋了為何模型更新不能只看影片裡的動作是否自然。控制方式能否應付變化，必須放回多項任務與不同硬體來檢查。
Gemini Robotics 2.5 is here. 🤖
— Google DeepMind (@GoogleDeepMind) November 10, 2026
Our latest physical AI is able to learn hundreds of everyday skills - from folding laundry and serving pastries to autonomously sorting car parts on the factory floor.
Here’s a snapshot of its capabilities 🧵 pic.twitter.com/50WwnDudsH
約兩百項任務進步，百分比代表什麼？
官方的成功率與速度提升來自多項評估，改善幅度會隨任務而變。Google 公布約兩百項任務的結果，宣稱相較前一代，成功率相對提升 30% 至 100%，執行速度快 20% 至 30%。
相對提升和增加百分點不同。若某項任務原本成功率為一半，相對提高三成，結果是約六成五；這裡只是說明計算方式，並非替公告補上某一項任務的測試成績。
同樣地，最快的工作不一定就是改善最多的工作。因為不同物件和操作步驟對控制能力的要求不同，不能把兩個區間的上緣拼成每次都能達成的表現。
公告展示的任務包含桌面拿放、接觸操作和精密配料。這些類型會暴露不同錯誤，例如抓錯物體、放置偏移，或碰到物件之後沒有完成後續步驟。
如果團隊準備比較模型版本，應先保留自己工序裡的成功定義。一次拿放完成，和整個料盤都正確，會得到不同成功率，兩者不能混在同一張採購比較表。
時間也要看同一段流程。只量手臂移動速度，會漏掉重試、等待辨識與人工復原；若模型快了一點卻增加返工，整條流程未必因此更省時。
測試若要比較速度，也必須讓兩個版本面對相近的起始條件。物件若被重新擺到更容易抓的位置，時間改善就混入了環境變化，而不能全歸功於新的控制能力。
對需要多人交接的工序，還可以分別保留完整完成和要求協助的紀錄。因為安全停下可能是正確行為，不能為了追求表面成功率，反而把主動交回人員算成應該消除的缺點。
公開評估提供的是產品方向與部分結果，沒有直接代替各工廠的驗收。工作環境若有反光、遮擋或不同包裝，原本的任務條件就可能發生改變。
因此，跨任務改善的價值在於找出哪些動作更有希望接近實用。實驗室的進步接著要看能否進入有明確節拍、也有例外處理需求的工廠工作。
賓士產線 96% 成功率，只涵蓋這項試點
公開案例是在特定工廠流程中，把金屬支架從料箱放進對應車款的料盤。Google 說合作系統已在德國與匈牙利的賓士產線進行概念驗證與試點，不能由此推成全面量產部署。
配料看似重複，其實必須連接訂單需求和實體位置。不同車款需要的零件組合若有差異，拿對物件之後，還要確認它進入正確的料盤位置，工作才算完成。
官方對這項配料作業公布 96% 成功率。這個數字描述的是特定案例，而不是機器人在所有工業工作上的總正確率，也沒有證明它能接手整間工廠。
剩下的失敗如何處理，會直接影響試點的實際價值。因為工序要持續運作，例外若只能等待工程師介入，即使大多數動作成功，也可能累積停機時間。
公告沒有提供足以重建全部統計的樣本與環境細節，因此外部讀者無法只靠百分比推算每日停線次數。這項限制也使現場驗收必須保留自己的原始紀錄。
可行的驗收方式，是先區分選錯、抓取失敗與放置失敗。各種錯誤對應的改善位置不同，前者可能涉及辨識或任務理解，後者則可能和控制、夾具或物件形狀有關。
這樣的區分也有助安排人工交接。若系統能在放錯之前停下並交回人員，和完成錯誤後繼續執行，對下游品質的影響並不相同。
試點留下的失敗與例外，正是規劃、模擬和動作層需要共同處理的地方。把它們拆開看，才能知道模型更新解決了哪一段，還有哪些問題屬於現場整合。
推理、模擬與手臂控制為何要分工？
高階模型決定任務步驟，動作模型處理手臂操作，而模擬協助練習與分析失敗。這些功能互相協作，卻不能因為都冠上 Gemini 名稱，就把成果歸到同一個模型。
高階推理可以理解成工作規劃。當要求是把某種零件準備好，它要先判斷需要查看什麼、按什麼順序處理，以及遇到障礙是否應停止或重新安排。
實際接觸物件則需要另一層控制。手臂如何靠近、何時夾取、物件滑動後如何調整，都必須連回感知與動作，所以規劃文字正確並不保證操作成功。
Google 同時介紹以 Argon 協助模擬與失敗分析。透過攝影機資訊和數位環境，系統可以練習或提出失敗原因，再把假設放進模擬與真實環境檢查。
模擬的好處，是能增加練習與分析機會，但它仍要面對真實接觸的差異。材料摩擦、形變與感測誤差若沒有被環境反映，模擬成功就不必然能原樣搬到現場。
官方流程仍結合真實示範，並沒有宣布不再需要實體資料。這點對企業很重要，因為蒐集示範、標記失敗與重新測試，仍然是部署工作的一部分。
延伸閱讀：SLA 空間動作模型發表，機器人如何在訓練時學會看懂位置變化？
這些層次分開，安全數字才不會被錯放到另一個模型或現場。能想出正確計畫、能安全操作，以及能抵抗惡意要求，需要各自的證據。
安全任務提升，與 99.5% 抗攻擊測試不同
動作安全評估觀察機器人如何完成任務，惡意指令測試則檢查高階模型的拒絕能力。Google 公布兩類結果，閱讀時必須先確認受測對象和衡量項目。
在有障礙物或附近有人員的條件中，官方說安全完成任務的表現分別提升 33% 與 43%。這表示在那些測試條件下，系統更常以符合要求的方式完成工作。
這些提升並不是現場事故率下降的統計。因為實驗衡量的是安全任務完成，不能直接換算成任何一座工廠的事故機率，更不代表不需要防護與停機機制。
另一項 ASIMOV-Jailbreak 評測，則用惡意要求檢查高階模型。Google 報告 Argon 的抵抗表現為 99.5%，對照先前 Gemini Robotics ER 2 的 82%。
這裡的 99.5% 不是 Robotics 2.5 手臂動作的安全成功率。它反映的是受測模型如何處理特定攻擊提示，和機器人會不會在真實環境碰到人，是不同驗收問題。
新評測涵蓋大量提示與多種場景，可協助團隊找出容易被誤導的要求。但題庫能揭露已設計的攻擊方向，不能保證未來所有未知指令都被涵蓋。
對現場整合而言，語言拒絕與物理限制需要互補。即使模型拒絕某項要求，設備本身的速度限制、活動範圍與人員介入方式，仍屬於整體系統設計。
延伸閱讀：Open-HumanWAM 公開五萬小時配方，人類影片怎麼變成機器人動作？
把評估對象和基準分清楚，才能設計符合現場的驗收方式。這也讓模型安全報告成為測試材料，而非直接替代整條產線的風險判斷。
Gemini Robotics 2.5 常見問題
一般使用者可以下載模型，直接控制自己的機器人嗎？
截至台灣時間 2026 年 11 月 11 日，官方描述的是向機器人合作夥伴逐步開放，沒有把這次發布列為一般使用者可立即下載的公開權重產品。自有硬體仍需確認支援與合作資格。
產線試點是否表示機器人已全面取代這項工作？
公告提供特定配料流程的試點成果，沒有宣告所有工廠全面部署。是否擴大使用，還要看長時間運行、例外處理與整合後的品質，不能從一個成功率推算人力替代規模。
這次發布能證明通用機器人已經成熟嗎？
新模型在多種任務與工業試點展示進步，但評估仍有特定硬體、場景與工作定義。跨任務能力增加，和任何環境都能可靠完成工作，之間仍有需要驗收的距離。
採用之前，先定義一項可隔離驗收的工序
有穩定工序與測試環境的團隊，較能把這次模型進展轉成具體評估。Robotics 2.5 的重要性，在於把精細動作與實際配料流程連在一起，讓外部看得到可以追問的工作邊界。
初次評估可以先固定物件、起始位置範圍和交付標準，再記錄哪些錯誤需要人員處理。因為條件清楚，版本更新後才能判斷改善來自模型，還是測試環境變簡單。
先量出失敗如何交回人員，以及長時間執行能否維持品質，才適合擴大範圍。對關心產業進展的讀者，也可以用同一套問題追蹤後續公告，而不只累積示範影片。
