Le 10 novembre 2026, Google DeepMind a présenté Gemini Robotics 2.5, décrit comme son modèle vision-langage-action (VLA) le plus performant à ce jour : les robots apprennent davantage de tâches, les apprennent plus vite, et gagnent en dextérité, en fiabilité et en sécurité. Sur plus de 200 tâches différentes, le taux de réussite dépasse de 30 % à 100 % celui des références précédentes, et les tâches sont accomplies 20 % à 30 % plus vite. Il ne s'agit pas d'une simple mise à jour de benchmark en laboratoire : le robot est allé directement sur une chaîne de production automobile.
La preuve la plus parlante vient d'une validation de concept menée avec Apptronik et Mercedes-Benz : des robots humanoïdes Apollo 2 ont travaillé sur des lignes de production en activité à Kecskemét, en Hongrie, et à Sindelfingen, en Allemagne, en réalisant seuls le kitting automobile — saisir des supports métalliques dans des bacs en vrac et les ranger dans des contenants de tri dans l'ordre requis par chaque véhicule, avec un taux de réussite de 96 %. Le modèle partage le travail en deux couches : le modèle de raisonnement incarné Gemini Robotics ER suit l'ensemble du processus, tandis que le modèle d'action Gemini Robotics 2.5 commande les bras et les mains. La recherche elle-même a bénéficié d'un nouveau modèle : Gemini 4 Argon a servi de moteur de simulation, générant des milliers d'exercices variés à partir de scènes réelles filmées, ce qui a aidé 2.5 à se généraliser plus vite à de nouvelles scènes et à de nouveaux objets.
L'envers des 96 % : on ne peut pas encore l'acheter
DeepMind ne confie le modèle qu'à ses partenaires robotiques pour l'instant. Il n'y a pas d'API publique ni de date annoncée pour une disponibilité générale. Et 96 %, c'est le score d'une validation de concept, pas une promesse de production : les 4 % d'erreurs restants, sur une ligne en activité, signifient des arrêts et des reprises. Les progrès en sécurité méritent la même attention : un guidage par raisonnement au moment de l'inférence a amélioré de 33 % l'achèvement sûr des tâches autour d'obstacles et de 43 % à proximité des personnes, et le nouveau benchmark ouvert ASIMOV-Jailbreak soumet les robots à des centaines d'instructions dangereuses déguisées — Gemini 4 Argon y a résisté à 99,5 %, loin devant les 82 % de la référence précédente, Gemini Robotics ER 2.
La course pour faire entrer les robots dans les usines s'accélère, et le GR00T 2 de Nvidia vise les mêmes compétences humanoïdes générales. Nvidia lance officiellement GR00T 2 : les robots apprennent les gestes fins en regardant des vidéos humaines Les approches diffèrent, mais l'objectif est le même : d'abord stabiliser les robots sur une ligne de production contrôlée, puis les envoyer dans un monde réel plus chaotique. Pour Gemini Robotics 2.5, la prochaine question est de savoir si ses partenaires sauront transformer 96 % en routine quotidienne.
