Google DeepMind lance Gemini Robotics 2.5 avec des compétences et des fonctionnalités de sécurité améliorées

Le 10 novembre 2026, Google DeepMind a dévoilé sa dernière avancée en matière de robotique, Gemini Robotics 2.5, qui vise à enseigner aux robots un éventail plus large de compétences de manière plus efficace. Ce modèle est présenté comme le système de vision-langage-action (VLA) le plus performant de l'entreprise à ce jour.

La sortie de Gemini Robotics 2.5 se concentre sur l'amélioration de la dextérité et de la vitesse d'apprentissage des robots, avec des indicateurs de performance montrant une amélioration de 30 % à 100 % des taux de réussite sur 200 tâches distinctes, ainsi qu'une augmentation de 20 % à 30 % de la vitesse d'achèvement des tâches par rapport aux modèles précédents.

Une démonstration notable de cette technologie a eu lieu dans une usine de production Mercedes-Benz, où le robot humanoïde Apollo 2 d'Apptronik a atteint un taux de réussite de 96 % dans le tri et l'emballage de composants automobiles. Cette application pratique souligne le potentiel du modèle dans des environnements industriels réels.

En plus des capacités améliorées, Gemini Robotics 2.5 introduit la norme de sécurité ASIMOV-Jailbreak, une référence open-source conçue pour évaluer la manière dont les robots réagissent à des commandes potentiellement dangereuses déguisées en instructions bénignes. Cette norme fait partie des efforts continus de DeepMind pour améliorer la sécurité et la fiabilité des systèmes robotiques.

Cette sortie s'appuie sur le modèle précédent Gemini Robotics 2, lancé au milieu de l'année 2026, et reflète l'engagement de DeepMind à faire progresser la technologie robotique tant pour les applications industrielles que pour les usages quotidiens.

Nouveaux Développements dans l'Évaluation de l'IA

• Date de Lancement : Le benchmark Multimodal Knowledge Agent (MKA) a été dévoilé le 10 novembre 2026.
• Structure des Tâches : MKA comprend 200 tâches privées réparties sur 10 secteurs industriels, conçues avec l'aide de spécialistes de 83 professions différentes.
• Complexité des Tâches : Les tâches nécessitent que les agents interprètent des matériaux visuels complexes tels que des plans architecturaux et des scans cliniques, produisant des livrables tels que des tableurs et des présentations.
• Méthode d'Évaluation : La notation est basée sur des rubriques strictes d'experts qui évaluent à la fois l'exactitude factuelle et la qualité du design visuel.
• Performance de l'Autorater : L'autorater IA a atteint un taux d'accord de 96,2 % avec des experts humains dans l'évaluation des résultats.
• Métriques d'Efficacité : Gemini 4 Carbon (haut) s'est classé deuxième en qualité sur le tableau de classement MKA mais a réalisé des tâches à un coût environ 6 fois inférieur à celui du modèle le mieux classé.
• Importance du Raisonnement Visuel : MKA vise à combler le fossé dans les benchmarks existants en intégrant le raisonnement visuel, reflétant la nature du travail professionnel qui implique souvent des entrées visuelles complexes.
• Impact sur le Développement de l'IA : Le benchmark souligne l'importance des capacités multimodales et de la qualité du design dans le développement des modèles d'IA.