{"content_id":"wnh4uzgh8d","slug":"gemini-robotics-2-5-vla-factory-performance","locale":"zh-hant","schema_type":"TechArticle","category":"ai_data","category_name":"AI 資料","title":"Gemini Robotics 2.5 工廠性能解析","summary":"Gemini Robotics 2.5 是將視覺與語言連結至機器人動作的模型。分別說明工廠實證成功率 96% 的適用範圍、性能提升幅度、安全性評估及各模型的開放狀態。","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Gemini Robotics ER 是追蹤工作流程的推理模型。","Gemini Robotics 2.5 在工廠實證中控制雙手與手臂的動作。","成功率提升 30~100% 是相較於既有基準模型的相對數值。","工廠實證成功率 96% 是汽車零件配套備料作業的結果。","須區分向合作夥伴提供動作模型與 ER 模型的公開預覽。"],"content_markdown":"Gemini Robotics 2.5 是將視覺、語言與機器人動作連結的 VLA 模型。工廠實證的 96% 成功率僅限於零件配套備料作業。實際判斷是否導入時，仍需進一步驗證失敗復原能力與運作條件。\n\n本文的效能數據以 Google 於 2026年11月10日發布的內容為準。\n\n## VLA 與 ER 的運作架構\n\nVLA 是將視覺資訊與語言指令連結至機器人動作的模型。名稱是 Vision-Language-Action 的縮寫。ER 指的是在實體環境中規劃工作的具身推理。\n\n在工廠實證中，兩個模型各有分工。Gemini Robotics ER 追蹤整體工作流程。Gemini Robotics 2.5 則控制雙手與手臂。\n\n| 組成 | 負責的角色 | 需區分之處 |\n| --- | --- | --- |\n| 視覺資訊 | 掌握物體與周圍場景 | 決定動作的輸入 |\n| 語言指令 | 傳達要執行的工作與條件 | 表達工作目標的輸入 |\n| ER 模型 | 管理多步驟計畫與進度狀態 | 高層次推理 |\n| VLA 動作模型 | 產生機器人的動作 | 實際動作的控制 |\n| 機器人硬體 | 執行動作與物體操作 | 手、手臂、致動器等實體裝置 |\n\nER 模型的設計是判斷下一項工作，並持續執行。它也會判斷工作是否完成，以及是否需要重試。官方模型資訊明確指出，ER 2 的輸出為文字。[Google DeepMind 的 ER 2 說明](https://deepmind.google/models/gemini-robotics/embodied-reasoning/)\n\n動作模型與機器人本體並不是同一項產品。VLA 官方說明列出的控制範圍，從手臂到人形機器人的全身。特定本體上的效能，必須連同其硬體條件一起解讀。[Google DeepMind 的 VLA 說明](https://deepmind.google/models/gemini-robotics/vla/)\n\n## 工作評估數據與比較基準\n\n公布的改善幅度是與先前基準模型比較的結果，並非適用於所有工作的絕對成功率。公告說明，改善幅度會因工作類型而異。\n\n下表區分了 2026年11月10日公布的各項數據。\n\n| 項目 | 公布內容 | 數據適用範圍 |\n| --- | --- | --- |\n| 評估工作範圍 | 開頭寫超過200項，詳細說明則寫200項 | 整體規模理解為約200項 |\n| 工作成功率 | 相較先前基準模型提升30~100% | 各工作類型的相對改善 |\n| 工作完成速度 | 相較先前基準模型提升20~30% | 評估工作的完成速度比較 |\n| 工廠實證成功率 | 96% | Apollo 2 的汽車零件配套備料實證 |\n\n工作數量指的是受評估任務的種類，與每項任務重複執行的次數是不同概念。因此，無法僅憑工作數量計算統計可信度。[Google 韓文公告](https://blog.google/intl/ko-kr/company-news/technology/gemini-robotics-2-5-kr/)\n\n### 相對改善幅度的計算範例\n\n將成功率的改善幅度換算成倍數，含義就會更清楚。公布的改善30%，相當於原有成功率的1.3倍。改善100%，則表示原有成功率的2倍。這是根據公布數據計算出的關係。\n\n| 表述 | 計算關係 | 解讀所需資訊 |\n| --- | --- | --- |\n| 成功率改善30% | 新成功率 = 原有成功率 × 1.3 | 同一任務的原有成功率 |\n| 成功率改善100% | 新成功率 = 原有成功率 × 2 | 同一任務的原有成功率 |\n| 成功率差異 | 新成功率 - 原有成功率 | 兩個絕對成功率，單位為百分點 |\n\n若沒有基準成功率，就無法求出新的絕對成功率。不能將改善100%解讀為每次嘗試都成功。速度改善幅度也不能直接換算成整座工廠的產量增幅。\n\n## 工廠實證成功率96%的範圍\n\n公布的 **96%** 是汽車零件配套備料實證的成功率。配套備料是依照順序準備組裝所需零件的工作。本次實證由 Apptronik 的 Apollo 2 執行。\n\n實證地點是 Mercedes-Benz 的實際生產線。公告明確列出匈牙利凱奇凱梅特與德國辛德芬根。機器人從供料箱中抓取金屬支架，再依序放入對應容器。\n\n概念驗證 PoC 是確認特定環境下可行性的測試。此處測得的成功率屬於該次測試範圍，不能延伸為整座工廠的自動化率，或所有製程的成功率。\n\nGoogle 提出將重複性準備工作交給機器人的應用方向，說明這有助於技術人員專注於複雜組裝。公告並未提供人力縮減規模或勞動生產力增幅。[Google DeepMind 的工廠實證說明](https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/)\n\n## 成功率未涵蓋的失敗復原與處理量\n\n判斷是否導入工廠時，需要知道成功率的分母與復原時間。即使成功率相同，重試方式不同，也可能影響產量。這是為了將公布數據連結至營運指標所做的分析。\n\n| 確認項目 | 需確認的內容 | 對判斷的影響 |\n| --- | --- | --- |\n| 成功的單位 | 是單一零件，還是整個托盤 | 成功率所代表的工作範圍 |\n| 嘗試次數 | 整體評估次數與各項工作的分布 | 結果的變動性與代表性 |\n| 重試處理 | 是首次嘗試成功，還是包含重試 | 自主執行程度 |\n| 人工介入 | 介入次數與時機 | 所需營運人力 |\n| 失敗復原 | 復原時間與恢復工作的條件 | 中斷造成的處理量減少 |\n| 品質判定 | 位置誤差與零件損傷的判定標準 | 是否可用於後續組裝 |\n| 連續運作 | 運轉時間與停止原因 | 實際運作的穩定性 |\n\n這些項目不是已確認的額外成果，而是現場評估時需另外確認的測量條件。僅憑韓文公告，無法確定所有細節條件。\n\n營運指標也可以一併計算良品處理量。計算公式為「通過品質標準的完成數量 ÷ 總運作時間」。總運作時間必須包含重試與復原時間。這是測量建議，並非工廠實證公布的數據。\n\n機器人運作除了模型之外，也需要管理功能。Apptronik 介紹了用於狀態監控與工作分派的 Fleet Connect，顯示其營運管理範圍還包括電池與停止狀態。[Apptronik 的 Apollo 2 平台說明](https://apptronik.com/apollo/apollo-2)\n\n## 實體安全與越獄防禦的差異\n\n實體安全指引與越獄防禦的評估對象不同。前者引導機器人在執行過程中避開周遭風險，後者則檢視模型對誘使其遵循危險指令的攻擊有多大抵抗能力。\n\n推理階段是模型接收輸入並做出判斷的時候。Google 說明，會在這個階段套用避險指引。安全相關數據也必須區分是針對哪個模型、哪項評估。\n\n以下是 2026年11月10日公布的安全性數據。\n\n| 評估 | 公布結果 | 解讀範圍 |\n| --- | --- | --- |\n| 在障礙物周圍安全完成工作 | 提升33% | 套用指引後的改善 |\n| 在有人靠近的環境中安全完成工作 | 提升43% | 套用指引後的改善 |\n| Gemini 4 Argon 越獄防禦率 | 99.5% | 公布的越獄評估結果 |\n| 基準模型的越獄防禦率 | 82% | Gemini Robotics ER 2 的比較結果 |\n\n越獄防禦率是 Gemini 4 Argon 的評估結果。若將其引用為動作模型在工廠的無事故率，就等於換了評估對象。安全完成工作的改善幅度，也必須與絕對成功率區分。[Google DeepMind 的安全性評估說明](https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/)\n\nASIMOV-Jailbreak 儲存庫區分有害指令與正常指令，也包含針對多輪連續攻擊的評估。過度拒絕正常請求的比例，同樣是評估項目。[Google 的 ASIMOV 評估儲存庫](https://huggingface.co/datasets/google/asimov_agentic)\n\n實體裝置也另有安全功能。Apptronik 說明，在設定的碰撞區域內偵測到物體時，會立即停止。它也提供依周邊區域調整動作的設定。這些是必須與模型評估分開確認的硬體功能。\n\n## 模擬與真實訓練資料\n\n根據 Google 的說明，模擬結合了真實示範資料。Gemini 4 Argon 會從攝影機畫面產生虛擬訓練環境，也支援從失敗影片中尋找改善假設的研究。\n\n數位孿生是在虛擬空間中重現真實環境。虛擬環境可以改變條件，進行反覆測試。實際機器人測試則確認這些結果在實體環境中是否同樣成立。[Google DeepMind 的訓練過程說明](https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/)\n\n在這個架構中，工廠既是應用場域，也是評估現場，因為真實零件與作業順序會考驗模型的適用範圍。不過，不能將訓練效率的改善直接換算成導入成本的節省金額。\n\n## 提供給合作夥伴與公開 API 的差異\n\n動作模型與 ER 模型的公開狀態必須分別確認。根據公告，動作模型會陸續提供給機器人領域的合作夥伴。ER 2 官方頁面則明確標示為公開預覽。\n\nGoogle DeepMind 的公告對提供範圍有以下說明。\n\n\u003e Gemini Robotics 2.5 正陸續提供給我們的機器人合作夥伴。\n\n出處為 [Gemini Robotics 2.5 公告](https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/)。\n\n| 模型 | 已確認的提供狀態 | 需區分之處 |\n| --- | --- | --- |\n| Gemini Robotics 2.5 | 陸續提供給機器人合作夥伴 | 與向一般開發者公開動作 API 不同 |\n| Gemini Robotics ER 2 | 在 Google AI Studio 與 Gemini API 提供公開預覽 | 推理模型的存取範圍 |\n\n能存取 ER 的 API，不代表擁有動作模型的存取權限。僅憑這次公告，也無法確定韓國境內的商用導入時程。各模型的提供狀態，應在各自的官方模型頁面確認。\n\n## 解讀效能數據時的常見錯誤\n\n若省略評估對象與單位，就會將不同成果混為一談。尤其只憑模型名稱將數據歸為一類，會讓解讀變得模糊。引用時，應一併註明工作內容與比較條件。\n\n| 常見解讀 | 正確區分 |\n| --- | --- |\n| 成功率改善100%，所以所有工作都成功了 | 相對改善幅度與絕對成功率不同 |\n| 工廠成功率就是整座工廠的自動化率 | 配套備料 PoC 的成果與自動化範圍不同 |\n| 越獄防禦率就是機器人的無事故率 | 攻擊抵抗能力與實體事故指標不同 |\n| 透過 ER API 就能立即使用動作模型 | 必須分別確認各模型的存取權限 |\n| 產量會按工作完成速度的改善幅度增加 | 必須將復原時間與製程等待納入測量 |\n\n## 常見問題\n\n將模型角色、評估單位與公開狀態分開，就能釐清核心疑問。\n\n### Gemini Robotics 2.5 是機器人本體嗎\n\n它是控制機器人的 VLA 模型。Apollo 2 則是運用此模型的機器人本體。模型效能與本體的物理性能必須區分。\n\n### 約200項工作是實際工廠的製程數量嗎\n\n這指的是公布的模型評估工作種類，並不表示全部都是汽車工廠的製程。評估工作數量與工廠實證範圍是兩回事。\n\n### 能否只憑工廠成功率計算導入效益\n\n不能僅憑成功率計算成本或產量。還必須知道工作時間與失敗復原時間，也需要品質判定與人工介入的條件。\n\n### 公開預覽與商用導入是同一個意思嗎\n\n公開預覽是指可存取特定模型的提供狀態，不代表已完成工廠系統整合。動作模型的提供條件也必須另外確認。","content_html":"\u003cp\u003eGemini Robotics 2.5 是將視覺、語言與機器人動作連結的 VLA 模型。工廠實證的 96% 成功率僅限於零件配套備料作業。實際判斷是否導入時，仍需進一步驗證失敗復原能力與運作條件。\u003c/p\u003e\n\u003cp\u003e本文的效能數據以 Google 於 2026年11月10日發布的內容為準。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#vla-%E8%88%87-er-%E7%9A%84%E9%81%8B%E4%BD%9C%E6%9E%B6%E6%A7%8B\" class=\"anchor\" id=\"vla-與-er-的運作架構\"\u003e\u003c/a\u003eVLA 與 ER 的運作架構\u003c/h2\u003e\n\u003cp\u003eVLA 是將視覺資訊與語言指令連結至機器人動作的模型。名稱是 Vision-Language-Action 的縮寫。ER 指的是在實體環境中規劃工作的具身推理。\u003c/p\u003e\n\u003cp\u003e在工廠實證中，兩個模型各有分工。Gemini Robotics ER 追蹤整體工作流程。Gemini Robotics 2.5 則控制雙手與手臂。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e組成\u003c/th\u003e\n\u003cth\u003e負責的角色\u003c/th\u003e\n\u003cth\u003e需區分之處\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"組成\"\u003e視覺資訊\u003c/td\u003e\n\u003ctd data-label=\"負責的角色\"\u003e掌握物體與周圍場景\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e決定動作的輸入\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"組成\"\u003e語言指令\u003c/td\u003e\n\u003ctd data-label=\"負責的角色\"\u003e傳達要執行的工作與條件\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e表達工作目標的輸入\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"組成\"\u003eER 模型\u003c/td\u003e\n\u003ctd data-label=\"負責的角色\"\u003e管理多步驟計畫與進度狀態\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e高層次推理\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"組成\"\u003eVLA 動作模型\u003c/td\u003e\n\u003ctd data-label=\"負責的角色\"\u003e產生機器人的動作\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e實際動作的控制\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"組成\"\u003e機器人硬體\u003c/td\u003e\n\u003ctd data-label=\"負責的角色\"\u003e執行動作與物體操作\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e手、手臂、致動器等實體裝置\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eER 模型的設計是判斷下一項工作，並持續執行。它也會判斷工作是否完成，以及是否需要重試。官方模型資訊明確指出，ER 2 的輸出為文字。\u003ca href=\"https://deepmind.google/models/gemini-robotics/embodied-reasoning/\"\u003eGoogle DeepMind 的 ER 2 說明\u003c/a\u003e\u003c/p\u003e\n\u003cp\u003e動作模型與機器人本體並不是同一項產品。VLA 官方說明列出的控制範圍，從手臂到人形機器人的全身。特定本體上的效能，必須連同其硬體條件一起解讀。\u003ca href=\"https://deepmind.google/models/gemini-robotics/vla/\"\u003eGoogle DeepMind 的 VLA 說明\u003c/a\u003e\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%B7%A5%E4%BD%9C%E8%A9%95%E4%BC%B0%E6%95%B8%E6%93%9A%E8%88%87%E6%AF%94%E8%BC%83%E5%9F%BA%E6%BA%96\" class=\"anchor\" id=\"工作評估數據與比較基準\"\u003e\u003c/a\u003e工作評估數據與比較基準\u003c/h2\u003e\n\u003cp\u003e公布的改善幅度是與先前基準模型比較的結果，並非適用於所有工作的絕對成功率。公告說明，改善幅度會因工作類型而異。\u003c/p\u003e\n\u003cp\u003e下表區分了 2026年11月10日公布的各項數據。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e項目\u003c/th\u003e\n\u003cth\u003e公布內容\u003c/th\u003e\n\u003cth\u003e數據適用範圍\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"項目\"\u003e評估工作範圍\u003c/td\u003e\n\u003ctd data-label=\"公布內容\"\u003e開頭寫超過200項，詳細說明則寫200項\u003c/td\u003e\n\u003ctd data-label=\"數據適用範圍\"\u003e整體規模理解為約200項\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"項目\"\u003e工作成功率\u003c/td\u003e\n\u003ctd data-label=\"公布內容\"\u003e相較先前基準模型提升30~100%\u003c/td\u003e\n\u003ctd data-label=\"數據適用範圍\"\u003e各工作類型的相對改善\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"項目\"\u003e工作完成速度\u003c/td\u003e\n\u003ctd data-label=\"公布內容\"\u003e相較先前基準模型提升20~30%\u003c/td\u003e\n\u003ctd data-label=\"數據適用範圍\"\u003e評估工作的完成速度比較\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"項目\"\u003e工廠實證成功率\u003c/td\u003e\n\u003ctd data-label=\"公布內容\"\u003e96%\u003c/td\u003e\n\u003ctd data-label=\"數據適用範圍\"\u003eApollo 2 的汽車零件配套備料實證\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e工作數量指的是受評估任務的種類，與每項任務重複執行的次數是不同概念。因此，無法僅憑工作數量計算統計可信度。\u003ca href=\"https://blog.google/intl/ko-kr/company-news/technology/gemini-robotics-2-5-kr/\"\u003eGoogle 韓文公告\u003c/a\u003e\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%9B%B8%E5%B0%8D%E6%94%B9%E5%96%84%E5%B9%85%E5%BA%A6%E7%9A%84%E8%A8%88%E7%AE%97%E7%AF%84%E4%BE%8B\" class=\"anchor\" id=\"相對改善幅度的計算範例\"\u003e\u003c/a\u003e相對改善幅度的計算範例\u003c/h3\u003e\n\u003cp\u003e將成功率的改善幅度換算成倍數，含義就會更清楚。公布的改善30%，相當於原有成功率的1.3倍。改善100%，則表示原有成功率的2倍。這是根據公布數據計算出的關係。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e表述\u003c/th\u003e\n\u003cth\u003e計算關係\u003c/th\u003e\n\u003cth\u003e解讀所需資訊\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"表述\"\u003e成功率改善30%\u003c/td\u003e\n\u003ctd data-label=\"計算關係\"\u003e新成功率 = 原有成功率 × 1.3\u003c/td\u003e\n\u003ctd data-label=\"解讀所需資訊\"\u003e同一任務的原有成功率\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"表述\"\u003e成功率改善100%\u003c/td\u003e\n\u003ctd data-label=\"計算關係\"\u003e新成功率 = 原有成功率 × 2\u003c/td\u003e\n\u003ctd data-label=\"解讀所需資訊\"\u003e同一任務的原有成功率\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"表述\"\u003e成功率差異\u003c/td\u003e\n\u003ctd data-label=\"計算關係\"\u003e新成功率 - 原有成功率\u003c/td\u003e\n\u003ctd data-label=\"解讀所需資訊\"\u003e兩個絕對成功率，單位為百分點\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e若沒有基準成功率，就無法求出新的絕對成功率。不能將改善100%解讀為每次嘗試都成功。速度改善幅度也不能直接換算成整座工廠的產量增幅。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%B7%A5%E5%BB%A0%E5%AF%A6%E8%AD%89%E6%88%90%E5%8A%9F%E7%8E%8796%E7%9A%84%E7%AF%84%E5%9C%8D\" class=\"anchor\" id=\"工廠實證成功率96的範圍\"\u003e\u003c/a\u003e工廠實證成功率96%的範圍\u003c/h2\u003e\n\u003cp\u003e公布的 \u003cstrong\u003e96%\u003c/strong\u003e 是汽車零件配套備料實證的成功率。配套備料是依照順序準備組裝所需零件的工作。本次實證由 Apptronik 的 Apollo 2 執行。\u003c/p\u003e\n\u003cp\u003e實證地點是 Mercedes-Benz 的實際生產線。公告明確列出匈牙利凱奇凱梅特與德國辛德芬根。機器人從供料箱中抓取金屬支架，再依序放入對應容器。\u003c/p\u003e\n\u003cp\u003e概念驗證 PoC 是確認特定環境下可行性的測試。此處測得的成功率屬於該次測試範圍，不能延伸為整座工廠的自動化率，或所有製程的成功率。\u003c/p\u003e\n\u003cp\u003eGoogle 提出將重複性準備工作交給機器人的應用方向，說明這有助於技術人員專注於複雜組裝。公告並未提供人力縮減規模或勞動生產力增幅。\u003ca href=\"https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/\"\u003eGoogle DeepMind 的工廠實證說明\u003c/a\u003e\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E6%88%90%E5%8A%9F%E7%8E%87%E6%9C%AA%E6%B6%B5%E8%93%8B%E7%9A%84%E5%A4%B1%E6%95%97%E5%BE%A9%E5%8E%9F%E8%88%87%E8%99%95%E7%90%86%E9%87%8F\" class=\"anchor\" id=\"成功率未涵蓋的失敗復原與處理量\"\u003e\u003c/a\u003e成功率未涵蓋的失敗復原與處理量\u003c/h2\u003e\n\u003cp\u003e判斷是否導入工廠時，需要知道成功率的分母與復原時間。即使成功率相同，重試方式不同，也可能影響產量。這是為了將公布數據連結至營運指標所做的分析。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e確認項目\u003c/th\u003e\n\u003cth\u003e需確認的內容\u003c/th\u003e\n\u003cth\u003e對判斷的影響\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e成功的單位\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e是單一零件，還是整個托盤\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e成功率所代表的工作範圍\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e嘗試次數\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e整體評估次數與各項工作的分布\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e結果的變動性與代表性\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e重試處理\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e是首次嘗試成功，還是包含重試\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e自主執行程度\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e人工介入\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e介入次數與時機\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e所需營運人力\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e失敗復原\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e復原時間與恢復工作的條件\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e中斷造成的處理量減少\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e品質判定\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e位置誤差與零件損傷的判定標準\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e是否可用於後續組裝\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"確認項目\"\u003e連續運作\u003c/td\u003e\n\u003ctd data-label=\"需確認的內容\"\u003e運轉時間與停止原因\u003c/td\u003e\n\u003ctd data-label=\"對判斷的影響\"\u003e實際運作的穩定性\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e這些項目不是已確認的額外成果，而是現場評估時需另外確認的測量條件。僅憑韓文公告，無法確定所有細節條件。\u003c/p\u003e\n\u003cp\u003e營運指標也可以一併計算良品處理量。計算公式為「通過品質標準的完成數量 ÷ 總運作時間」。總運作時間必須包含重試與復原時間。這是測量建議，並非工廠實證公布的數據。\u003c/p\u003e\n\u003cp\u003e機器人運作除了模型之外，也需要管理功能。Apptronik 介紹了用於狀態監控與工作分派的 Fleet Connect，顯示其營運管理範圍還包括電池與停止狀態。\u003ca href=\"https://apptronik.com/apollo/apollo-2\"\u003eApptronik 的 Apollo 2 平台說明\u003c/a\u003e\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%AF%A6%E9%AB%94%E5%AE%89%E5%85%A8%E8%88%87%E8%B6%8A%E7%8D%84%E9%98%B2%E7%A6%A6%E7%9A%84%E5%B7%AE%E7%95%B0\" class=\"anchor\" id=\"實體安全與越獄防禦的差異\"\u003e\u003c/a\u003e實體安全與越獄防禦的差異\u003c/h2\u003e\n\u003cp\u003e實體安全指引與越獄防禦的評估對象不同。前者引導機器人在執行過程中避開周遭風險，後者則檢視模型對誘使其遵循危險指令的攻擊有多大抵抗能力。\u003c/p\u003e\n\u003cp\u003e推理階段是模型接收輸入並做出判斷的時候。Google 說明，會在這個階段套用避險指引。安全相關數據也必須區分是針對哪個模型、哪項評估。\u003c/p\u003e\n\u003cp\u003e以下是 2026年11月10日公布的安全性數據。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e評估\u003c/th\u003e\n\u003cth\u003e公布結果\u003c/th\u003e\n\u003cth\u003e解讀範圍\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"評估\"\u003e在障礙物周圍安全完成工作\u003c/td\u003e\n\u003ctd data-label=\"公布結果\"\u003e提升33%\u003c/td\u003e\n\u003ctd data-label=\"解讀範圍\"\u003e套用指引後的改善\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"評估\"\u003e在有人靠近的環境中安全完成工作\u003c/td\u003e\n\u003ctd data-label=\"公布結果\"\u003e提升43%\u003c/td\u003e\n\u003ctd data-label=\"解讀範圍\"\u003e套用指引後的改善\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"評估\"\u003eGemini 4 Argon 越獄防禦率\u003c/td\u003e\n\u003ctd data-label=\"公布結果\"\u003e99.5%\u003c/td\u003e\n\u003ctd data-label=\"解讀範圍\"\u003e公布的越獄評估結果\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"評估\"\u003e基準模型的越獄防禦率\u003c/td\u003e\n\u003ctd data-label=\"公布結果\"\u003e82%\u003c/td\u003e\n\u003ctd data-label=\"解讀範圍\"\u003eGemini Robotics ER 2 的比較結果\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e越獄防禦率是 Gemini 4 Argon 的評估結果。若將其引用為動作模型在工廠的無事故率，就等於換了評估對象。安全完成工作的改善幅度，也必須與絕對成功率區分。\u003ca href=\"https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/\"\u003eGoogle DeepMind 的安全性評估說明\u003c/a\u003e\u003c/p\u003e\n\u003cp\u003eASIMOV-Jailbreak 儲存庫區分有害指令與正常指令，也包含針對多輪連續攻擊的評估。過度拒絕正常請求的比例，同樣是評估項目。\u003ca href=\"https://huggingface.co/datasets/google/asimov_agentic\"\u003eGoogle 的 ASIMOV 評估儲存庫\u003c/a\u003e\u003c/p\u003e\n\u003cp\u003e實體裝置也另有安全功能。Apptronik 說明，在設定的碰撞區域內偵測到物體時，會立即停止。它也提供依周邊區域調整動作的設定。這些是必須與模型評估分開確認的硬體功能。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E6%A8%A1%E6%93%AC%E8%88%87%E7%9C%9F%E5%AF%A6%E8%A8%93%E7%B7%B4%E8%B3%87%E6%96%99\" class=\"anchor\" id=\"模擬與真實訓練資料\"\u003e\u003c/a\u003e模擬與真實訓練資料\u003c/h2\u003e\n\u003cp\u003e根據 Google 的說明，模擬結合了真實示範資料。Gemini 4 Argon 會從攝影機畫面產生虛擬訓練環境，也支援從失敗影片中尋找改善假設的研究。\u003c/p\u003e\n\u003cp\u003e數位孿生是在虛擬空間中重現真實環境。虛擬環境可以改變條件，進行反覆測試。實際機器人測試則確認這些結果在實體環境中是否同樣成立。\u003ca href=\"https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/\"\u003eGoogle DeepMind 的訓練過程說明\u003c/a\u003e\u003c/p\u003e\n\u003cp\u003e在這個架構中，工廠既是應用場域，也是評估現場，因為真實零件與作業順序會考驗模型的適用範圍。不過，不能將訓練效率的改善直接換算成導入成本的節省金額。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E6%8F%90%E4%BE%9B%E7%B5%A6%E5%90%88%E4%BD%9C%E5%A4%A5%E4%BC%B4%E8%88%87%E5%85%AC%E9%96%8B-api-%E7%9A%84%E5%B7%AE%E7%95%B0\" class=\"anchor\" id=\"提供給合作夥伴與公開-api-的差異\"\u003e\u003c/a\u003e提供給合作夥伴與公開 API 的差異\u003c/h2\u003e\n\u003cp\u003e動作模型與 ER 模型的公開狀態必須分別確認。根據公告，動作模型會陸續提供給機器人領域的合作夥伴。ER 2 官方頁面則明確標示為公開預覽。\u003c/p\u003e\n\u003cp\u003eGoogle DeepMind 的公告對提供範圍有以下說明。\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eGemini Robotics 2.5 正陸續提供給我們的機器人合作夥伴。\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003e出處為 \u003ca href=\"https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/\"\u003eGemini Robotics 2.5 公告\u003c/a\u003e。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e模型\u003c/th\u003e\n\u003cth\u003e已確認的提供狀態\u003c/th\u003e\n\u003cth\u003e需區分之處\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"模型\"\u003eGemini Robotics 2.5\u003c/td\u003e\n\u003ctd data-label=\"已確認的提供狀態\"\u003e陸續提供給機器人合作夥伴\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e與向一般開發者公開動作 API 不同\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"模型\"\u003eGemini Robotics ER 2\u003c/td\u003e\n\u003ctd data-label=\"已確認的提供狀態\"\u003e在 Google AI Studio 與 Gemini API 提供公開預覽\u003c/td\u003e\n\u003ctd data-label=\"需區分之處\"\u003e推理模型的存取範圍\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e能存取 ER 的 API，不代表擁有動作模型的存取權限。僅憑這次公告，也無法確定韓國境內的商用導入時程。各模型的提供狀態，應在各自的官方模型頁面確認。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E8%A7%A3%E8%AE%80%E6%95%88%E8%83%BD%E6%95%B8%E6%93%9A%E6%99%82%E7%9A%84%E5%B8%B8%E8%A6%8B%E9%8C%AF%E8%AA%A4\" class=\"anchor\" id=\"解讀效能數據時的常見錯誤\"\u003e\u003c/a\u003e解讀效能數據時的常見錯誤\u003c/h2\u003e\n\u003cp\u003e若省略評估對象與單位，就會將不同成果混為一談。尤其只憑模型名稱將數據歸為一類，會讓解讀變得模糊。引用時，應一併註明工作內容與比較條件。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e常見解讀\u003c/th\u003e\n\u003cth\u003e正確區分\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"常見解讀\"\u003e成功率改善100%，所以所有工作都成功了\u003c/td\u003e\n\u003ctd data-label=\"正確區分\"\u003e相對改善幅度與絕對成功率不同\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"常見解讀\"\u003e工廠成功率就是整座工廠的自動化率\u003c/td\u003e\n\u003ctd data-label=\"正確區分\"\u003e配套備料 PoC 的成果與自動化範圍不同\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"常見解讀\"\u003e越獄防禦率就是機器人的無事故率\u003c/td\u003e\n\u003ctd data-label=\"正確區分\"\u003e攻擊抵抗能力與實體事故指標不同\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"常見解讀\"\u003e透過 ER API 就能立即使用動作模型\u003c/td\u003e\n\u003ctd data-label=\"正確區分\"\u003e必須分別確認各模型的存取權限\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"常見解讀\"\u003e產量會按工作完成速度的改善幅度增加\u003c/td\u003e\n\u003ctd data-label=\"正確區分\"\u003e必須將復原時間與製程等待納入測量\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%B8%B8%E8%A6%8B%E5%95%8F%E9%A1%8C\" class=\"anchor\" id=\"常見問題\"\u003e\u003c/a\u003e常見問題\u003c/h2\u003e\n\u003cp\u003e將模型角色、評估單位與公開狀態分開，就能釐清核心疑問。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#gemini-robotics-25-%E6%98%AF%E6%A9%9F%E5%99%A8%E4%BA%BA%E6%9C%AC%E9%AB%94%E5%97%8E\" class=\"anchor\" id=\"gemini-robotics-25-是機器人本體嗎\"\u003e\u003c/a\u003eGemini Robotics 2.5 是機器人本體嗎\u003c/h3\u003e\n\u003cp\u003e它是控制機器人的 VLA 模型。Apollo 2 則是運用此模型的機器人本體。模型效能與本體的物理性能必須區分。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%B4%84200%E9%A0%85%E5%B7%A5%E4%BD%9C%E6%98%AF%E5%AF%A6%E9%9A%9B%E5%B7%A5%E5%BB%A0%E7%9A%84%E8%A3%BD%E7%A8%8B%E6%95%B8%E9%87%8F%E5%97%8E\" class=\"anchor\" id=\"約200項工作是實際工廠的製程數量嗎\"\u003e\u003c/a\u003e約200項工作是實際工廠的製程數量嗎\u003c/h3\u003e\n\u003cp\u003e這指的是公布的模型評估工作種類，並不表示全部都是汽車工廠的製程。評估工作數量與工廠實證範圍是兩回事。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E8%83%BD%E5%90%A6%E5%8F%AA%E6%86%91%E5%B7%A5%E5%BB%A0%E6%88%90%E5%8A%9F%E7%8E%87%E8%A8%88%E7%AE%97%E5%B0%8E%E5%85%A5%E6%95%88%E7%9B%8A\" class=\"anchor\" id=\"能否只憑工廠成功率計算導入效益\"\u003e\u003c/a\u003e能否只憑工廠成功率計算導入效益\u003c/h3\u003e\n\u003cp\u003e不能僅憑成功率計算成本或產量。還必須知道工作時間與失敗復原時間，也需要品質判定與人工介入的條件。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%85%AC%E9%96%8B%E9%A0%90%E8%A6%BD%E8%88%87%E5%95%86%E7%94%A8%E5%B0%8E%E5%85%A5%E6%98%AF%E5%90%8C%E4%B8%80%E5%80%8B%E6%84%8F%E6%80%9D%E5%97%8E\" class=\"anchor\" id=\"公開預覽與商用導入是同一個意思嗎\"\u003e\u003c/a\u003e公開預覽與商用導入是同一個意思嗎\u003c/h3\u003e\n\u003cp\u003e公開預覽是指可存取特定模型的提供狀態，不代表已完成工廠系統整合。動作模型的提供條件也必須另外確認。\u003c/p\u003e\n","tags":["生成式 AI","AI 開發","機器人","技術策略"],"faqs":[{"question":"Gemini Robotics 2.5 的 VLA 是什麼","answer":"VLA 是 Vision-Language-Action 的縮寫，指的是將視覺資訊和語言指令轉化為機器人動作的模型。"},{"question":"Gemini Robotics ER 與動作模型有何不同","answer":"ER 是管理任務規劃與進度狀態的推理模型。在工廠實證中，動作模型負責控制雙手和手臂。"},{"question":"成功率提升 30~100% 指的是絕對成功率嗎","answer":"這是相較於先前基準模型的相對改善幅度。若要計算新的絕對成功率，需要知道同一任務原有的成功率。"},{"question":"工廠實證中 96% 的成功率衡量的是什麼","answer":"這是在汽車零件配套 PoC 中公布的成功率，是 Apollo 2 在 Mercedes-Benz 生產線上執行任務的結果。"},{"question":"能否將任務完成速度的改善視為產量增加","answer":"僅憑完成速度，無法計算整體產量的增幅。還需要包含重試、失敗復原與製程等待在內的運作時間。"},{"question":"99.5% 的越獄防禦率是哪個模型的結果","answer":"這是 Google 公布的 Gemini 4 Argon 越獄評估結果，並不代表動作模型在工廠中的無事故率。"},{"question":"一般開發者可以直接使用動作模型 API 嗎","answer":"此次公布的動作模型提供對象為機器人技術合作夥伴。必須區分 ER 2 的公開預覽版與動作模型的存取權限。"},{"question":"是否已公布在國內工廠商用導入的時程","answer":"僅憑此次公告，無法確定國內商用導入的時程。具體提供條件與時程，須向 Google 及機器人供應商確認。"}],"sources":[{"url":"https://blog.google/intl/ko-kr/company-news/technology/gemini-robotics-2-5-kr/","title":"Google 韓文公告：Gemini Robotics 2.5：加速現實世界的物理智慧","type":"source"},{"url":"https://deepmind.google/blog/gemini-robotics-2-5-accelerates-real-world-physical-intelligence/","title":"Google DeepMind：Gemini Robotics 2.5 發布","type":"source"},{"url":"https://deepmind.google/models/gemini-robotics/vla/","title":"Google DeepMind：Gemini Robotics 2.5 VLA 模型","type":"source"},{"url":"https://deepmind.google/models/gemini-robotics/embodied-reasoning/","title":"Google DeepMind：Gemini Robotics ER 2 模型資訊","type":"source"},{"url":"https://apptronik.com/apollo/apollo-2","title":"Apptronik：Apollo 2 平台與運作、安全功能","type":"source"},{"url":"https://huggingface.co/datasets/google/asimov_agentic","title":"Google：Asimov Agentic Safety Evaluation 及 ASIMOV-Jailbreak","type":"source"}],"images":[{"id":2720,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDE3NzQsInB1ciI6ImJsb2JfaWQifX0=--942c42c606bce2666318996725dd445f966e877a/ai-4a3f957c.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"작업자가 안전 유리 너머로 지켜보는 가운데 양팔 로봇이 금속 브래킷을 칸막이 트레이에 넣고 있다.","caption":"공장 실증 성공률 96%는 자동차 부품 키팅 작업에 한정된 결과다.","description":null},"en":{"alt":"A dual-arm robot places metal brackets in a divided tray as a worker watches from behind a safety barrier.","caption":"The 96% factory trial success rate applies specifically to automotive parts kitting.","description":null},"ja":{"alt":"作業員が安全ガラス越しに見守る中、双腕ロボットが金属ブラケットを仕切り付きトレーに入れている。","caption":"工場実証での成功率96％は、自動車部品のキッティング作業に限定された結果だ。","description":null},"es":{"alt":"Un robot de dos brazos coloca soportes metálicos en una bandeja mientras una operaria observa tras un cristal.","caption":"La tasa de éxito del 96% en la prueba de fábrica corresponde específicamente a la preparación de kits de piezas de automóvil.","description":null},"id":{"alt":"Robot dua lengan menaruh braket logam ke baki bersekat, sementara pekerja mengamati dari balik kaca pengaman.","caption":"Tingkat keberhasilan 96% dalam uji pabrik khusus berlaku untuk penyiapan kit komponen otomotif.","description":null},"pt":{"alt":"Um robô de dois braços coloca suportes metálicos numa bandeja enquanto uma operadora observa atrás de um vidro.","caption":"A taxa de sucesso de 96% no teste de fábrica se refere especificamente à preparação de kits de peças automotivas.","description":null},"zh-hant":{"alt":"一名作業員隔著安全玻璃觀看，雙臂機器人將金屬支架放入分隔托盤。","caption":"工廠實證的96%成功率僅適用於汽車零件配套作業。","description":null},"de":{"alt":"Ein zweiarmiger Roboter legt Metallwinkel in eine Fächerschale, während eine Fachkraft hinter Schutzglas zusieht.","caption":"Die Erfolgsquote von 96 % im Werkstest gilt speziell für die Zusammenstellung von Automobilteilesätzen.","description":null}}},{"id":2721,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDE3ODAsInB1ciI6ImJsb2JfaWQifX0=--19b385253034a3ff7240ac9fd1708a09552dc8d6/ai-abdf1234.webp","is_representative":false,"generation_method":"ai_semi","license":"ai_generated","mime_type":"image/webp","width":1536,"height":1024,"translations":{"ko":{"alt":"보호안경과 주황색 작업복을 착용한 엔지니어가 로봇 집게와 완충재 장애물 사이의 간격을 살핀다.","caption":"작업 성공률과 안전성 평가는 구분해서 살펴봐야 한다.","description":null},"en":{"alt":"An engineer in safety glasses and an orange jacket checks the gap between a robot gripper and a padded obstacle.","caption":"Task success rates and safety evaluations must be considered separately.","description":null},"ja":{"alt":"保護メガネとオレンジ色の作業着を着た技術者が、ロボットのグリッパーと緩衝材付き障害物の間隔を確認する。","caption":"作業成功率と安全性評価は分けて捉える必要がある。","description":null},"es":{"alt":"Una ingeniera con gafas protectoras revisa la separación entre una pinza robótica y un obstáculo acolchado.","caption":"La tasa de éxito de las tareas y la evaluación de seguridad deben considerarse por separado.","description":null},"id":{"alt":"Insinyur berkacamata pelindung memeriksa jarak antara pencengkeram robot dan penghalang berlapis busa.","caption":"Tingkat keberhasilan tugas dan evaluasi keselamatan perlu ditinjau secara terpisah.","description":null},"pt":{"alt":"Uma engenheira de óculos de proteção verifica a distância entre uma garra robótica e um obstáculo acolchoado.","caption":"A taxa de sucesso das tarefas e a avaliação de segurança devem ser consideradas separadamente.","description":null},"zh-hant":{"alt":"一名戴著護目鏡、身穿橘色工作服的工程師，檢查機器人夾爪與軟墊障礙物之間的間距。","caption":"任務成功率與安全性評估應分開看待。","description":null},"de":{"alt":"Eine Ingenieurin mit Schutzbrille prüft den Abstand zwischen Robotergreifer und gepolstertem Hindernis.","caption":"Aufgabenerfolgsquoten und Sicherheitsbewertungen müssen getrennt betrachtet werden.","description":null}}}],"published_at":"2026-11-11T22:26:13+09:00","updated_at":"2026-11-11T22:26:13+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/gemini-robotics-2-5-vla-factory-performance"}