这不是又一个 VLA 模型
机器人领域过去两年的标准叙事是 VLA（视觉-语言-动作模型）：端到端训练一个从图像直接输出动作的专用模型，数据越多越强。Google 10 月 13 日在 Developers Blog 发布的 Gemini 4 Argon for Robotics 走的是另一条路——它就是 Argon 这个通用前沿模型，没有为机器人做专门的端到端动作训练，靠的是物理理解、代码生成与视觉语义推理的通用能力跃升。
数据点是 ERQA（Embodied Reasoning Benchmark）：这个测试模型在 3D 环境中理解与求解物理空间问题的基准上，Argon 用纯推理拿到 87%，超过其他所有前沿模型。发布页的说法是「物理理解、代码生成与视觉语义推理的阶梯式跃升」，并直接把目标指向「physical AGI 的加速器」。
对开发者，这次发布最有价值的形式是：Google 公开了四大能力域的代表性提示词全文——你可以逐字看到 Argon 是被怎么「指挥」的。这篇速评按四个能力域过一遍，重点拆解最有示范价值的 Spot 案例。
能力域一：机器人控制——先造孪生，再上真机
发布页的第一个案例是 Boston Dynamics Spot 四足机器人（12 自由度腿 + 6 自由度臂）学一个新技能：踩脚踏式垃圾桶的踏板、把易拉罐扔进去。
提示词的架构值得完整拆一遍。用户给 Argon 的任务是「你身后有一个健怡可乐罐，左侧黑桌上还有一个，用 spot-mobile-manipulation 技能捡起来扔进黑色脚踏桶」，并附上一条关键纪律：踩下踏板前，先在前置相机里确认右前脚目标居中于踏板，并用双代理验证群（foot-verifier 与 hand-verifier）分别核验踩踏与手入桶的三维对齐，全部通过才释放。
Argon 的执行分三步：
- 建数字孪生：它先为脚踏桶创建一个带关节的 MuJoCo 仿真模型——「练习」这个动作在真机踩下去之前完成，三腿 tripod 平衡这种有翻倒风险的细节全部在仿真里过。
- Real-to-Sim-to-Real：从仿真练习迁移到真机执行，全程用腕部相机复核。
- 验证兜底：脚与手两个维度各有独立验证代理，把「扔偏了」这类不可逆失误拦截在释放动作之前。
这个三段式（仿真练习 → 真机执行 → 分体验证）不是研究 demo 的花架子，而是可以把「单次执行失败成本」转移到仿真与验证层的通用工程模式，任何有真机损耗顾虑的机器人团队都能直接搬用。
能力域二：零样本控制——把闭环控制变成多轮命令行
第二个案例更「开发者向」：一个简单机械臂，任务是把倒下的马克杯扶正、把皱纸巾放进去。Argon 之前没见过这个场景，零样本完成。
发布页给出的提示词展示了两个精巧设计：
视觉坐标 harness。 腕部相机画面上预先叠加了标定信息：2 厘米间隔的世界坐标网格（黄色数字直接标注世界 XY 坐标）、当前 3D 抓取中心的青色十字线、爪口开合线、物体长轴朝向。模型不需要「看懂」裸图，而是读一张带标定注记的图——这大幅压缩了空间推理的出错空间。
动作原语 + 调用粒度自选。 执行接口是一条本地 HTTP 服务（curl 查询 obs 端点拿机械手位置与腕部相机路径），Argon 每轮输出一句观察加一条 curl 命令。提示词还让它在第一轮就自主选择 VLM 调用粒度：粗粒度全程 2 到 4 次调用（look_at → grasp → place → done）、预抓取悬停验证 4 到 7 次、精细视觉伺服 8 到 20 次。任务简单就省调用，任务精细就加密度——把延迟预算的决策权交给了模型本身。
这套「标定画面 + 原语接口 + 多轮 curl」的模式，本质是把闭环控制问题转译成带视觉反馈的命令行对话。对没有 RL 基础设施、但有一个机械臂和一个相机的团队来说，这是当前门槛最低的「大模型控真机」路径。
能力域三与四：Real2Sim 与研究自改进
后两个能力域偏研究与基础设施，但工程价值不小：
Real2Sim（现实到仿真重建）：Argon 能从机器人相机画面、第一人称人类视频、甚至手绘纸面草图构建物理标定的仿真孪生。仿真资产制作是机器人仿真管线里最费人力的环节，「画个草图就给你一个可用的 MuJoCo 场景」如果稳定可用，会显著降低仿真管线的准入成本。
物理理解与研究自改进：代理式多模态事后标注（对操作视频给出灵巧度细节理解）、稠密价值函数与进度估计——这些是给下游 RL 或模仿学习供数据的标注能力；另一侧是「通过仿真改进动作 + 在硬件上迭代自改进」，即模型不单执行任务，还参与改进执行策略本身。这部分更偏研究向，但和 Google 在 Agentic RL 上的整体布局是连贯的。
值得注意的三个边界
其一，这是一份「提示词工程展示」，不是机器人运行时。 发布页给的是代表性提示词与结果视频，动作接口、安全停机、标定管线都要自己搭。把它当成「能力上限参考」很合适，当成「开箱即用的机器人方案」则会踩空。
其二，推理强不等于执行稳。 ERQA 87% 衡量的是「脑」，真机的执行可靠性还取决于执行器、感知与安全层。Spot 案例之所以要用双验证代理兜底，恰恰说明单次直接执行还不足够可信——Google 自己的工程选择就是最好的可靠性声明。
其三，定价与可用性按基础版走。 Argon 本周起向全部付费订阅用户与开发者开放（Gemini 应用、AI Mode、Antigravity、Gemini API / AI Studio），机器人能力走同一套 API 与计费，没有单独的「机器人版价格」。Google 同期公布的案例是 Chrome 团队用 Argon 重构 600 万行 Chromium 遗留代码——数字与物理两侧共用同一个模型，这正是这条路线与专用 VLA 的根本分野。
速评结论
如果你的团队在做机器人或具身智能，Argon for Robotics 值得立刻放进评估清单的三个理由：ERQA 87% 的推理上限、Real2Sim 重建对仿真资产成本的压缩、以及公开提示词里可直接搬用的工程模式（数字孪生预练、视觉坐标 harness、分体验证、调用粒度自选）。需要泼冷水的同样三个：执行层全要自建、调用成本按 token 计、闭环可靠性仍依赖你自己的验证设计。一句话：这是给机器人工程师的「推理引擎」，不是给机器人操作员的「自动驾驶」。