Gemini Robotics 2.5 puso robots humanoides a ordenar piezas de autos en plantas activas de Mercedes-Benz, y la prueba de concepto cerró con un 96 % de aciertos al preparar los conjuntos de piezas de cada vehículo.
Google DeepMind presentó el modelo el 10 de noviembre de 2026 y lo definió como su sistema de visión, lenguaje y acción (VLA, por sus siglas en inglés) más capaz hasta la fecha.
Un modelo VLA recibe imágenes de cámaras e instrucciones en lenguaje y las convierte en movimientos de brazos y manos. La versión 2.5 ya llega a los socios de robótica de Google, sin interfaz pública para desarrolladores, sin fecha de venta general y sin precio anunciado.
El mismo modelo trabaja con cuerpos distintos. Corre en el humanoide Apollo 2 de Apptronik, con la mano SharpaWave de cinco dedos y 22 grados de libertad, y también en la plataforma Franka Duo, de dos brazos con pinzas paralelas de dos dedos.
La prueba en la línea de Mercedes-Benz
La demostración industrial corrió en dos plantas de Mercedes-Benz, Kecskemét en Hungría y Sindelfingen en Alemania, con líneas en actividad. Apollo 2 hizo la preparación de conjuntos para cada auto.
El trabajo consiste en sacar soportes metálicos sueltos de contenedores grandes y colocarlos en bandejas, en el orden exacto que pide cada vehículo que avanza por la línea. Es trabajo repetitivo, físicamente pesado y propenso a errores de secuencia.
Dos sistemas se repartieron la tarea. Gemini Robotics ER siguió el flujo de trabajo y el avance de cada bandeja, mientras Gemini Robotics 2.5 controló manos y brazos para tomar cada soporte y ubicarlo en su contenedor de secuencia.
Cuando una pieza faltaba en la bandeja, el robot corrigió el hueco. Jeff Cardenas, director ejecutivo de Apptronik, contó que los modelos mejoraron de forma marcada en pocas semanas de entrenamiento posterior y mantuvieron ese nivel en la producción real.
El 96 % merece una lectura fría. DeepMind no publicó cuántos intentos cubre esa cifra, con qué criterio contó un acierto ni cuántas veces intervino una persona durante la prueba, y TechTimes lo señaló el mismo día del anuncio.
Un 96 % sobre 25 intentos y un 96 % sobre 1.000 intentos describen robots muy distintos, y Mercedes-Benz tampoco ha publicado una confirmación propia de la cifra. El dato dice que la prueba salió bien; todavía no dice qué tan cerca está de un turno completo sin supervisión.
Fuera de la línea automotriz, la evaluación cubrió más de 200 tareas distintas: servir comida con pinzas, atar un lazo en una caja de regalo o pipetear un líquido con precisión.
DeepMind reportó tasas de acierto entre un 30 % y un 100 % más altas que sus referencias anteriores, con tareas entre un 20 % y un 30 % más rápidas. La batería incluyó objetos delicados y materiales flexibles, donde los robots suelen fallar por exceso de fuerza.
Seguridad física y práctica en simulación
Un robot que comparte pasillo con técnicos necesita frenar antes de improvisar. Gemini Robotics 2.5 usa guía de razonamiento en el momento de actuar para esquivar riesgos físicos en tiempo real.
DeepMind midió mejoras del 33 % en completar tareas de forma segura cerca de obstáculos y del 43 % cerca de personas. Son cifras de la propia empresa, medidas en sus evaluaciones, pero apuntan al problema correcto: en una planta, un error de brazo no es un texto mal redactado.
La otra pieza de seguridad es ASIMOV-Jailbreak, un banco de pruebas abierto que DeepMind liberó con cientos de instrucciones que disfrazan pedidos peligrosos dentro de decenas de escenas cotidianas.
Gemini 4 Argon, el modelo que la empresa usa en sus evaluaciones de robótica con agentes, resistió el 99,5 % de esos intentos, frente al 82 % de la referencia anterior, Gemini Robotics ER 2. Publicar el banco permite que laboratorios ajenos repitan la prueba y discutan el resultado.
Argon también aceleró el entrenamiento. A partir de una escena real captada por cámara, el sistema genera miles de prácticas simuladas y construye una copia digital del entorno, de modo que el robot ensaya variaciones de objetos y posiciones sin ocupar una máquina física.
Con video de los fallos, los investigadores prueban qué salió mal y verifican la corrección primero en simulación y después en el robot real.
Para las plantas de América Latina que abastecen a la industria automotriz, el mensaje práctico es otro: la automatización que viene pide tareas acotadas, medibles y con una persona cerca que responda por el resultado.
La preparación de conjuntos cumple esas tres condiciones, y por eso sirvió de examen. Vale como señal de dirección para cualquier fábrica de autopartes de la región que hoy evalúa robots colaborativos para estaciones concretas.
Quedan tres datos por conocer y ninguno es menor: el número de intentos detrás del 96 %, la fecha en que socios fuera del círculo inicial podrán usar el modelo y el costo de operar un Apollo 2 por turno frente a la estación manual que reemplaza.
DeepMind limitó el lanzamiento a sus socios de robótica, entre ellos Agile Robots, Apptronik y la propia Mercedes-Benz, y la lista de espera de acceso temprano sigue abierta en su página del modelo.
Fuente: Google DeepMind
