O DeepMind publicou um modelo de robô que acerta mais e termina tarefas mais rápido, segundo a própria empresa. O lançamento vem junto com um teste aberto que tenta convencer o robô a fazer o que não deveria, e essa é a parte mais interessante do pacote.
O que é o Gemini Robotics 2.5
O anúncio saiu em 10 de novembro. O Gemini Robotics 2.5 é um vision-language-action model, ou seja, um modelo que recebe imagem de câmera e instrução em texto e devolve comando de motor.
A diferença em relação a um chatbot está no último passo: em vez de escrever uma resposta, ele mexe um braço.
O DeepMind diz que este é o modelo mais capaz da categoria até hoje. É afirmação da casa, sem comparação publicada por terceiros.
Os números que o DeepMind publicou para o Gemini Robotics 2.5
A avaliação cobre mais de 200 tarefas distintas. Servir comida com pinça, amarrar um laço em caixa de presente e pipetar líquido estão na lista.
O resultado varia por tipo de tarefa. O DeepMind reporta taxa de sucesso de 30% a 100% acima das linhas de base anteriores, e conclusão de 20% a 30% mais rápida.
São números da própria empresa, medidos no ambiente dela e sem auditoria externa. Nenhum laboratório independente replicou o resultado até agora.
Vale ler a faixa, não o topo dela. O piso de 30% indica tarefa em que o ganho é modesto, e o DeepMind não divulgou a média entre as 200 e tantas tarefas.
Mercedes-Benz: prova de conceito com o Apollo 2, não frota
O caso mais concreto é industrial. Em parceria com a Apptronik, humanoides Apollo 2 fizeram kit de peças automotivas em linhas de produção em Kecskemét, na Hungria, e em Sindelfingen, na Alemanha.
A taxa de sucesso reportada foi de 96%. O DeepMind descreve o trabalho como prova de conceito e piloto, não como frota instalada.
A mão do Apollo 2 é a SharpaWave, com cinco dedos e 22 graus de liberdade, e o modelo também roda na plataforma Franka Duo e em garras de dois dedos.
Para uma montadora no ABC paulista, a leitura é de prazo, não de presente. Kit de peça é tarefa repetitiva, de baixo risco e alta frequência, exatamente o tipo de célula que a NR-12 já obriga a cercar e sinalizar.
ASIMOV-Jailbreak é o robot safety benchmark que tenta quebrar o modelo
Aqui está a novidade que passa batida no noticiário. O DeepMind liberou o ASIMOV-Jailbreak, um benchmark de código aberto com centenas de prompts que disfarçam pedidos inseguros em dezenas de cenários.
A pergunta que ele faz é simples. Um robô que entende linguagem natural pode ser convencido a ignorar a instrução de segurança por meio de uma frase?
Um robot safety benchmark desse tipo mede recusa, não força física. São coisas diferentes.
Cobrir dezenas de cenários não é cobrir todos, e o escopo é estreito por definição: o teste mexe com instrução maliciosa em texto, não com falha mecânica, sensor quebrado ou peça fora de medida.
Gemini 4 Argon: 99,5% de resistência contra 82%
O número de resistência a jailbreak no benchmark é do Gemini 4 Argon, não do Gemini Robotics 2.5. A distinção importa e o DeepMind a faz no material técnico.
O Argon chega a 99,5% de resistência. A linha anterior, Gemini Robotics ER 2, ficava em 82%.
A orientação de raciocínio em tempo de inferência, aplicada antes de executar o movimento, é do pacote 2.5: com ela, a conclusão segura de tarefa subiu 33% perto de obstáculos e 43% perto de pessoas, sempre segundo a avaliação interna.
Recusar um pedido ruim é uma camada. Não esmagar a mão de quem está ao lado é outra, e nenhuma das duas substitui a outra.
O Gemini 4 Argon também virou motor de simulação
O Argon não aparece só como cobaia do benchmark. Ele foi usado como motor de simulação durante o desenvolvimento, para gerar rodadas de treino, montar gêmeos digitais e analisar falhas de tarefa.
Isso muda a economia do treinamento. Errar no simulador custa menos que errar na linha.
O DeepMind não detalha quanto do ganho de 30% a 100% vem da simulação, e essa é uma pergunta que qualquer engenheiro de automação vai fazer.
O que o Gemini Robotics 2.5 ainda não responde
Preço não foi divulgado. Também não há data de disponibilidade geral nem link público de download.
O modelo está sendo liberado para parceiros de robótica do DeepMind, o que na prática significa uma lista fechada de fabricantes e integradores.
Também falta replicação independente. Um benchmark publicado pela própria equipe que criou o modelo é ponto de partida, não veredicto.
E falta a parte física. Um robô pode recusar a instrução errada e ainda assim ser perigoso perto de uma pessoa, por limite de força, velocidade ou sensor.
O que o Gemini Robotics 2.5 muda para quem opera robô
Se a sua empresa tem célula robotizada, o anúncio não muda nada nesta semana: o que muda é o argumento de compra para o próximo ciclo.
O fornecedor vai chegar com a expressão vision-language-action model na apresentação. A pergunta útil é outra: qual tarefa da minha linha tem variabilidade suficiente para justificar aprendizado, em vez de programação fixa?
Tarefa que muda de posição a cada lote é candidata. Tarefa que repete o mesmo movimento mil vezes por turno não precisa de modelo grande, precisa de programação estável.
Nada disso está no anúncio.
Contrato de integração costuma travar modelo e fornecedor por dois ou três anos, então decidir esperar também tem preço, e ele não aparece na apresentação de vendas.
Quem treina operador em escola técnica, como o SENAI faz, sente a diferença antes do resto. O painel deixa de ser botão e passa a ser conversa, e isso exige outro tipo de instrução.
O teste honesto é medir quantas paradas não planejadas a célula teve no mês. Se o número não cair, o modelo novo é atualização de folheto.
