Am 10. November 2026 hat Google DeepMind Gemini Robotics 2.5 vorgestellt – nach eigenen Angaben das leistungsfähigste Vision-Language-Action-Modell (VLA), das das Unternehmen je gebaut hat: Roboter lernen mehr Aufgaben, lernen sie schneller, und werden dabei geschickter, zuverlässiger und sicherer. In über 200 verschiedenen Aufgaben lag die Erfolgsquote 30 % bis 100 % über früheren Baselines, und die Aufgaben wurden 20 % bis 30 % schneller erledigt. Das ist keine Benchmark-Aktualisierung aus dem Labor – der Roboter ging direkt ans Fließband eines Autoherstellers.
Der deutlichste Beleg kommt aus einem Proof of Concept mit Apptronik und Mercedes-Benz: Apollo-2-Humanoide arbeiteten auf laufenden Produktionslinien in Kecskemét in Ungarn und Sindelfingen in Deutschland und übernahmen selbstständig das sogenannte Kitting – sie griffen Metallhalterungen aus Schüttgutbehältern und legten sie in der Reihenfolge, die jedes Fahrzeug braucht, in Sortierbehälter, mit einer Erfolgsquote von 96 %. Das Modell teilt die Arbeit in zwei Schichten: Das Embodied-Reasoning-Modell Gemini Robotics ER behält den Arbeitsablauf im Blick, während das Aktionsmodell Gemini Robotics 2.5 Arme und Hände steuert. Auch die Forschung selbst profitierte von einem neuen Modell: Gemini 4 Argon diente als Simulations-Engine, erzeugte aus echten Kameraszenen tausende abwechslungsreiche Übungsdurchläufe und half 2.5, sich schneller auf neue Szenen und Objekte einzustellen.
Die Kehrseite der 96 %: Man kann es noch nicht kaufen
DeepMind gibt das Modell vorerst nur an seine Robotik-Partner weiter. Es gibt keine öffentliche API und keinen angekündigten Termin für eine breite Verfügbarkeit. Und 96 % ist das Ergebnis eines Proof of Concept, kein Produktionsversprechen: Die restlichen 4 % Fehler bedeuten an einer laufenden Linie Stillstand und Nacharbeit. Auch die Fortschritte bei der Sicherheit verdienen Beachtung: Eine Inferenzzeit-Führung hob die sichere Aufgabenerledigung um 33 % bei Hindernissen und um 43 % in der Nähe von Menschen an. Der zugleich veröffentlichte offene Benchmark ASIMOV-Jailbreak prüft Roboter mit Hunderten getarnter gefährlicher Anweisungen – Gemini 4 Argon widerstand 99,5 % davon, deutlich mehr als die 82 % der früheren Baseline Gemini Robotics ER 2.
Das Rennen, Roboter in Fabriken zu bringen, beschleunigt sich, und Nvidias GR00T 2 zielt auf dieselben allgemeinen humanoiden Fähigkeiten ab. Nvidia GR00T 2 ist offiziell: Roboter lernen feine Arbeiten aus Videos von Menschen Die Wege unterscheiden sich, das Ziel ist dasselbe: Roboter zuerst auf einer kontrollierten Produktionslinie stabil zum Laufen bringen und dann in die unordentlichere echte Welt schicken. Für Gemini Robotics 2.5 stellt sich als Nächstes die Frage, ob die Partner aus 96 % alltägliche Routine machen können.
