Gemini Robotics 1.5

Multimodalrobotics_foundation

Model Vision-Language-Action (VLA) od Google DeepMind zamieniajacy obraz i jezyk na komendy motoryczne dla robotow.

Specyfikacja techniczna

Okno kontekstowe

Narzędzia

Nie

Fine-tuning

Nie

Dostęp do wag

Closed

Ostatnia aktualizacja: 2 maj 2026

Modalności

Wejście

Text

Image

Wyjście

Text

action

Możliwości

Reasoning★

Rozumowanie

Multi-step reasoning★

Rozumowanie

Planning★

Planowanie

Image understanding★

Wizja

Multimodal understanding★

Multimodalność

Multilingual★

Język

Możliwości robotyki AI

Dexterous manipulation Robot manipulation Robot control Embodied task planning Visual grounding Bimanual manipulation Motion planning

Zastosowania

Źródła

Strona1Raport techniczny1Artykuł naukowy1

Gemini Robotics 1.5 - Google DeepMind

deepmind.googleStrona

Gemini Robotics 1.5 Technical Report

storage.googleapis.comRaport techniczny

Gemini Robotics: Bringing AI into the Physical World (arXiv:2503.20020)

arxiv.orgArtykuł naukowy

Gemini Robotics 1.5Gemini Robotics 1.5Gemini Robotics 1.5