VLA ギャラリー / モデル一覧 / 産業界モデル

Gemini Robotics 1.5

Google DeepMind · 2025-09

VLA産業界モデル非公開非公開

行動の前に自然言語で思考する'Thinking VLA'で、Motion Transferにより複数embodimentのデータを共に学習する。

論文

Gemini Robotics 1.5: Pushing the Frontier of Generalist Robots with Advanced Embodied Reasoning, Thinking, and Motion TransferarXiv 2510.03342

概要

分類

産業界モデル

タイプ

VLA

発表

2025-09

機関

Google DeepMind

重み公開

なし

パラメータ

非公開

構造

バックボーンLLM

Geminiベース (サイズ非公開)

ビジョンエンコーダ

—

アクションヘッド

思考・行動の交互生成 (Thinking VLA) (非公開)

チャンク

非公開

制御周期

非公開

構造の原文要約

GeminiベースのThinking VLA(自然言語の思考と行動を交互に生成); Motion Transferで複数embodimentを学習; アクションチャンク・制御周波数は非公開

学習

事前学習アクセラレータ

TPU v4、v5p、v6e(チップ数は非公開; 事前・事後学習の区別なし)

事前学習期間

非公開

事前学習ステップ・バッチ

非公開

GPU・TPU時間

非公開

ファインチューニング

非公開

データ種類

実ロボットの行動データ(複数embodiment) + Web視覚言語(公開テキスト・画像・動画)

データ規模

「thousands of diverse tasks」; 時間・エピソード数は非公開

主要データセット

独自のマルチembodimentロボットデータ(非公開) + インターネット公開テキスト・画像・動画

タスク・評価

230課題ベンチマーク(視覚・指示・行動・課題の汎化); bi-arm Franka 44課題(20 in-distribution + 24); ALOHA 105課題†; 開発中の評価episodeの90%以上をシミュレーションで実施; agentic比較(Gemini 2.5 Flash + GR 1.5)

ロボット

ALOHA 2、bi-arm Franka、Apptronik Apolloヒューマノイド

推論

推論デバイス・速度

非公開

推論メモリ

非公開

重み bf16(計算)

非公開

実行場所

非公開

強化学習・ベース

強化学習

不使用 · 技術レポートはRLを今後の課題としてのみ言及

強化学習の根拠

https://arxiv.org/html/2510.03342

ベース制御

固定 · ベース・歩行制御の言及なし (ALOHA・bi-arm Franka・Apolloの操作タスク)

備考

主な特徴

行動の前に自然言語で思考する'Thinking VLA'で、Motion Transferにより複数embodimentのデータを共に学習する。ALOHA 2のみで学習したタスクがApollo・bi-arm Frankaでも動作すると報告した。

備考

ブログ 2025-09-25、arXiv v1 2025-10-02(早い方のブログ基準)。'currently available to select partners'。モデルカードはGR 1.5とER 1.5を共に扱う(Software: JAX, ML Pathways)。ALOHA 105タスク†: 確認できた記述は既存の汎化 68 + 新action汎化 5 + 新タスクカテゴリ 12のみ明示。

検証

確認