模型定位
Gemini Robotics-ER 1.5 是面向機器人的具身推理視覺語言模型(VLM),充當機器人的高階推理與規劃元件,而非直接產生馬達控制指令的視覺語言動作模型(VLA)。(developers.googleblog.com)
能力與用途
- 理解視覺場景、物件位置與狀態,進行空間推理、任務規劃及進度評估。
- 分析影片中的動作順序與時間關係;可輸出物件位置、邊界框或軌跡點等資訊。
- 將整理桌面等多步驟自然語言指令拆解為計畫,並呼叫機器人硬體 API、抓取模型、VLA 或使用者定義函式執行任務;也可使用 Google 搜尋等工具。
- 官方模型文件列出的輸入包括文字、圖片、影片和音訊,輸出為文字;輸入上限為 1,048,576 tokens,輸出上限為 65,536 tokens。(developers.googleblog.com)
限制與安全
模型可能產生錯誤或不準確的推理,結果也受提示與視覺輸入品質影響。它需要與外部控制器或動作模型整合才能驅動機器人;模型內建的安全過濾與物理限制辨識不能取代實體系統的安全工程。部署者仍須進行風險評估,並實作緊急停止與碰撞避免等保護措施。(ai.google.dev)
發布與供應狀態
2025 年 9 月 25 日發布,當時以預覽版透過 Google AI Studio 與 Gemini API 提供。官方淘汰文件現將此版本列為已關閉,表列關閉日期為 2026 年 4 月 30 日,並建議改用 gemini-robotics-er-2-preview;該替代版本不是本模型。(developers.googleblog.com)
價格
截至 2026 年 11 月 18 日,未能從 Google 官方定價頁核實此版本的幣種、輸入計費或輸出計費金額;不以其他模型或第三方報價代替。(aistudio.google.com)