Dek: DeepMind publicó su modelo de robótica más capaz y, en el mismo movimiento, un examen abierto para intentar romperlo. Las cifras de destreza son suyas; la parte interesante es cómo se prueba la seguridad de una máquina que ya no solo habla.
Qué es Gemini Robotics 2.5, el vision-language-action model de DeepMind
Un modelo que mejora sus cifras no es noticia por sí solo. Lo que hizo DeepMind esta semana fue publicar el modelo y, a la vez, el examen con el que cualquiera puede intentar suspenderlo.
Gemini Robotics 2.5 es un vision-language-action model. La etiqueta describe lo que entra y lo que sale: el sistema recibe imágenes de una cámara y una instrucción en lenguaje natural, y devuelve movimientos para un brazo o una mano robótica. No hay un guion programado por tarea. El modelo mira la escena y decide cómo agarrar.
DeepMind lo describe como su modelo de este tipo más capaz hasta la fecha, y eso dice poco por sí solo: la compañía publica versiones cada pocos meses.
Los números de DeepMind y la letra pequeña de sus evaluaciones
La evaluación cubrió más de 200 tareas distintas. Entre ellas hay cosas que suenan a cocina y a laboratorio: servir comida con pinzas, atar un lazo en una caja de regalo y pipetear líquido. Gestos que un humano resuelve sin pensar y que exigen control fino de la fuerza.
Según DeepMind, el modelo completa esas tareas entre un 30% y un 100% más de veces que las referencias anteriores, con variación según el tipo de encargo, y tarda entre un 20% y un 30% menos. Son cifras de la casa. De momento no conozco una replicación independiente, y esa ausencia debería acompañar a cualquier lectura del anuncio.
La horquilla tan ancha dice algo. Un rango que va de 30 a 100 depende del tipo de tarea, así que el promedio esconde tareas donde la mejora es modesta y otras donde el salto es enorme.
Apptronik y Mercedes-Benz: el proof of concept en Hungría y Alemania
El escenario que DeepMind puso al lado de los números es una línea de producción. En un proof of concept con Apptronik y Mercedes-Benz, los humanoides Apollo 2 prepararon kits de piezas de automoción en plantas de Kecskemét, en Hungría, y Sindelfingen, en Alemania, con un 96% de éxito.
Conviene ser literal con la palabra. DeepMind lo llama prueba de concepto y piloto, no flota desplegada. No hay un turno de noche entero atendido por estos robots, ni un número de unidades en planta que la empresa haya publicado.
El hardware también marca el alcance. Apollo 2 usa una mano de cinco dedos, la SharpaWave, con 22 grados de libertad. El modelo funciona además con la plataforma Franka Duo y con pinzas de dos dedos, lo que amplía bastante el tipo de brazo que puede controlarlo.
ASIMOV-Jailbreak, el robot safety benchmark que se puede auditar
Aquí está la parte que sobrevivirá al anuncio. ASIMOV-Jailbreak es un robot safety benchmark de código abierto con cientos de instrucciones que disfrazan peticiones peligrosas y las reparten por docenas de escenas. El nombre homenajea a las tres leyes de Asimov y el apellido describe el método: no se pregunta al robot si quiere hacer daño, se le pide de una forma que parezca razonable.
Un benchmark abierto cambia la conversación. Cualquier laboratorio puede correr las mismas pruebas y publicar el resultado, incluido el que salga mal. Hasta ahora, buena parte de la seguridad en robótica se evaluaba en documentos internos que nadie podía repetir.
La lista de escenas y de peticiones no cubre todos los robots ni todos los ataques. Es una muestra, y como muestra envejece: lo que hoy es un intento ingenioso de saltarse las reglas mañana será una prueba que el modelo ya vio en entrenamiento.
El 99,5% pertenece a Gemini 4 Argon, no a Gemini Robotics 2.5
Este es el dato que más se está citando mal en las últimas horas. DeepMind reporta un 99,5% de resistencia a los jailbreaks en ASIMOV-Jailbreak para Gemini 4 Argon, frente a un 82% de Gemini Robotics ER 2.
Gemini 4 Argon es otro modelo, y su papel en este lanzamiento fue distinto. Se usó como motor de simulación para generar prácticas, construir gemelos digitales y analizar los fallos de las tareas durante el desarrollo. Un modelo de propósito general que ayuda a entrenar y a diagnosticar no es lo mismo que el sistema que mueve el brazo.
La confusión tiene consecuencias prácticas. Un integrador que lea el 99,5% y lo apunte en la ficha de Gemini Robotics 2.5 estará prometiendo una resistencia que nadie ha medido en el modelo que va a instalar.
Lo que la seguridad física de Gemini Robotics 2.5 no mide
DeepMind añadió una capa de razonamiento en el momento de la inferencia, y con ella reporta mejoras en la finalización segura de tareas: un 33% alrededor de obstáculos y un 43% cerca de personas. Otra vez, evaluación propia.
El hueco está entre rechazar una orden y no golpear a nadie. Un modelo puede negarse a la instrucción peligrosa y aun así moverse rápido en un pasillo donde camina alguien. Frenar a tiempo exige sensores, límites de velocidad y paradas de emergencia que no dependen del modelo, y ninguno de esos elementos aparece en un benchmark de prompts.
La pregunta que un comité de seguridad va a hacer no es si el robot dice que no. Es qué pasa cuando dice que sí y se equivoca.
Qué puede hacer hoy un integrador en España o México
Nada que instalar. Gemini Robotics 2.5 se está desplegando entre los socios de robótica de DeepMind, sin precio público ni fecha de disponibilidad general. DeepMind no publicó la lista completa de esos socios, así que un integrador de Zaragoza no puede saber si su proveedor habitual está dentro.
El contexto donde esto aterrizará primero es el que ya usa humanoides en pruebas: automoción, logística y almacenes. En México, los clusters de Querétaro y Guanajuato concentran plantas de automoción que llevan años probando brazos colaborativos. En España, la robótica industrial vive sobre todo en la automoción de Zaragoza y Valencia y en los almacenes de distribución.
Para esos equipos, la lectura útil de hoy no es el titular del 96%. Es el benchmark: si ASIMOV-Jailbreak se convierte en la prueba que piden las aseguradoras y los clientes finales, la seguridad deja de ser una nota de prensa y pasa a ser un requisito de compra. Ese cambio, si llega, valdrá más que cualquier porcentaje de éxito en una planta piloto.
