Gemini 4 Argon logra un 87% en razonamiento encarnado, pero tarda 52 minutos por tarea con un brazo real

Google lanzó Gemini 4 Argon en todo el mundo el 13 de octubre, y Physical Intelligence abrió la beta de una API que afina sus modelos de robot π0 y π0.5 sobre infraestructura que Pi gestiona.

Google entra en la robótica como la capa lenta alrededor de la máquina, la que construye simulaciones, etiqueta datos, califica el progreso y escribe código de control, mientras que la API de Pi es una apuesta por adueñarse del bucle de recoger, entrenar y probar del cliente antes de que los modelos generales abaraten ese bucle. La discrepancia es refutable: si un modelo general llega a ser lo bastante rápido para cerrar él mismo el bucle de control, la posición del especialista se reduce a trabajo de despliegue.

Los trabajos de Argon se sitúan junto al bucle de control

La nota de Google para desarrolladores enumera cuatro usos robóticos de Argon: control del robot, Real2Sim, comprensión física como el etiquetado retrospectivo y la estimación de progreso, e investigación y automejora. La mayoría de los ejemplos de Google son el trabajo lento. Google dice que Argon vio un vídeo sin editar de una persona jugando al cornhole, mapeó el entorno, calculó los movimientos articulares de todo el cuerpo y escribió el código de simulación; sobre el humanoide Apollo, de Apptronik, encestó después siete tiros consecutivos. Google dice que su canal de vídeo a simulación y a realidad (Video-to-Sim-to-Real) comprime semanas de modelado manual de simulación en unas pocas horas. A partir de una sola foto RGB de una mesa, dice Google, Argon construyó un gemelo calibrado en MuJoCo, definió 77 tareas y generó más de 4.500 episodios con aleatorización de dominio para afinar el VLA, lo que elevó el éxito en el robot real del 56% al 75% y redujo el tiempo de finalización de 35 segundos a 24. En un brazo SO-101 de 6 grados de libertad, dice Google, la recogida y colocación bajó de 58,9 segundos a 17,4 segundos a lo largo de tres iteraciones.

Humanoids Daily informa de que el flujo del cornhole tomó retroalimentación de intentos físicos en el robot real; si la racha o la cifra del 75% llegaron tras muchos intentos no contados, ambas dicen menos sobre la fiabilidad de lo que sugieren siete tiros limpios. La demo de control plantea lo mismo: la tarea de la taza con «control zero-shot» de Google entrega a Argon una imagen de la cámara de la muñeca con una cuadrícula proyectada de coordenadas del mundo de 2 cm y primitivas ya construidas, como grasp y place_until_contact, así que el modelo elige entre primitivas en lugar de ordenar movimientos de articulaciones. Google también ya lanzó Gemini Robotics-ER 1.6 para percepción espacial y planificación de tareas.

Los modelos frontera son unas 100 veces más lentos que una persona

AA-Robotics v0.1, de Artificial Analysis, publicado el 14 de octubre, pilotó un brazo real Hiwonder NexArm de 6 ejes, cinco articulaciones más una pinza, mediante una API HTTP sencilla, con cuatro cámaras y ocho tareas de mesa, zero-shot. En una escala de 100 puntos, GPT-6 Astra obtuvo 69,4; GPT-6.1 Sol, 64,6; Gemini 4 Argon, 55,3; Claude Opus 5.5, 48,8; y Claude Fable 5.1, 46,3.

El tiempo es el resultado más revelador. Artificial Analysis midió a los modelos como unas 100 veces más lentos que una persona, alrededor de media hora por tarea frente a una media humana de 20 segundos. Argon fue el más lento, con 52 minutos, o 3.120 segundos, unas 156 veces el referente humano; la media de 30 minutos equivale a 90 veces. Argon también pasó una media de 21 minutos observando y razonando antes de su primera acción, casi el doble que cualquier otro modelo. Artificial Analysis sitúa el coste por tarea en 16,36 dólares para GPT-6 Astra y 1,93 dólares para GPT-6.1 Sol, y dice que los modelos de lenguaje frontera son hoy «demasiado lentos y caros para cualquier tipo de uso en producción», aunque espera que eso cambie rápido.

El 87% de Google en ERQA, su benchmark de Razonamiento Encarnado de 400 preguntas de opción múltiple sobre razonamiento espacial, queda junto a esas cifras. Google dice que ese resultado proviene de puro razonamiento y supera a todos los demás modelos frontera; el segundo clasificado, Claude Opus 5.5, obtuvo un 82,3% en la tabla de Google. ERQA mide razonamiento espacial, no si un robot completa una tarea, y Argon quedó tercero cuando Artificial Analysis puso a esta clase de modelo frente a un brazo real.

Pi vende el bucle, y el bucle es la apuesta

La beta de Pi entrega un bucle de iteración, no un controlador. Los desarrolladores suben datos, lanzan el ajuste fino de la familia π0 y π0.5 sobre cómputo e infraestructura que Pi gestiona, y ejecutan el resultado a través de una pasarela de inferencia alojada. Pi describe el bucle como recoger demostraciones, entrenar un modelo, probarlo en el robot y usar los fallos para elegir los siguientes datos, y escribe: «Creamos la API para que los desarrolladores puedan ejecutar este bucle de iteración ellos mismos, con nuestros modelos más recientes». Pi dice que planea seguir habilitando el acceso a sus modelos más recientes a través de la API, y añade: «Cuanto más se usan nuestros modelos, más aprendemos a mejorarlos».

La prueba inicial es pequeña pero tiene nombres. Pi dice que el robot Axol de dos brazos, de Almond, desbarbó separadores usados en su propio montaje con un modelo obtenido tras cuatro días iterando a través de la API, y que la cargadora de ruedas autónoma de Actor cargó material en un camión de volteo en un despliegue comercial en Utah sin operador dentro. Pi menciona a AgRobotics, CloudChef, un socio lácteo, Ultra y Weave entre los demás. La mayoría de las aplicaciones corrieron con inferencia alojada en la nube a través de la API, y Pi señala la conectividad de red como un desafío para algunas.

El argumento más fuerte contra esa división está en la propia nota de Google. El control del robot es la primera de sus cuatro áreas, Argon escribe código de control, y el resultado del SO-101 es automejora sobre el mismo bucle que vende Pi. Si el modelo general llega a ser lo bastante rápido y barato para ejecutar ese bucle por su cuenta, la iteración alojada se vuelve un producto básico y a Pi solo le queda vender trabajo de despliegue. Que Argon acabe tercero por detrás de dos modelos GPT-6 muestra que la carrera de los generalistas sigue abierta, así que el escenario del controlador rápido puede llegar de un competidor. La cifra que hay que vigilar es la latencia en la próxima entrega de AA-Robotics: si el tiempo por tarea baja de 52 minutos hacia el listón humano de 20 segundos, el caso de una empresa separada de la capa de entrenamiento se debilita con él.