VLA ギャラリー / モデル一覧 / 産業界モデル

Gemini Robotics-ER

Google DeepMind · 2025-03

기타産業界モデル非公開その他

行動の代わりにpointing、3D bbox、grasp予測のような空間理解の結果を出力するVLMである。

論文

Gemini Robotics: Bringing AI into the Physical WorldarXiv 2503.20020

概要

分類

産業界モデル

タイプ

기타

発表

2025-03

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 2.0 Flash

ビジョンエンコーダ

—

アクションヘッド

行動の代わりにポイント・bbox・軌跡・コードを出力 (その他)

チャンク

非公開

制御周期

非公開

構造の原文要約

Gemini 2.0 Flashベースのembodied-reasoning VLM; 行動の直接出力なし(2Dポイント・3D bbox・grasp・軌跡を出力、コード生成でロボットを制御)

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; Gemini Roboticsと共通のモデルカード)

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

画像・テキスト・ロボットセンサ・行動データ(Gemini Roboticsと共通のモデルカード記述)

データ規模

非公開

主要データセット

非公開

タスク・評価

ERQA 400問を提案(Table 2にER自体のスコア列なし); 2D pointing Paco-LVIS 71.3、Pixmo-Point 49.5、Where2Place 45.0; ブログ: end-to-end制御成功率がGemini 2.0比2~3倍

ロボット

該当なし(ロボット制御はコード生成・in-context例で実行)

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

非公開 · RLの言及なし

ベース制御

固定 · 行動の直接出力なし (ポイント・bbox・軌跡・コード生成); ベース制御なし

備考

主な特徴

行動の代わりにpointing、3D bbox、grasp予測のような空間理解の結果を出力するVLMである。ERQA(400問)ベンチマークを新たに提案し、Gemini Roboticsバックボーンはこのモデルの蒸留版である。

備考

行動を直接出力しないVLM(ER)のため種別はその他。モデルカードのHardware行(TPU v4、v5p、v6e)がERにも適用(ノートの非公開†を修正)。Training Data行: 'Gemini Robotics-ER and Gemini Robotics were trained on datasets comprised of images, text, and robot sensor and action data.'

検証

修正反映