Google DeepMind presentó Gemini Robotics 2.5, un modelo para robots que, según la compañía, mejora la destreza, la velocidad y la seguridad en tareas físicas. En pruebas industriales con Apollo 2 en plantas de Mercedes-Benz, el sistema alcanzó 96% de éxito en una prueba de concepto.
***
- Google DeepMind afirma que el modelo superó a versiones anteriores en más de 200 tareas, con mejoras de éxito de entre 30% y 100%, según la operación.
- Apollo 2, de Apptronik, realizó tareas de kitting en instalaciones de Mercedes-Benz en Hungría y Alemania y reportó 96% de éxito durante una prueba de concepto.
- La empresa también comunicó mejores resultados en pruebas de seguridad y presentó herramientas de simulación y evaluación de instrucciones riesgosas.
🤖⚙️ Gemini Robotics 2.5 llega a pruebas industriales
Apollo 2 logró 96% de éxito en una prueba de kitting para Mercedes-Benz en Hungría y Alemania.
DeepMind reporta hasta 100% más éxito y tareas 20% a 30% más rápidas frente a versiones anteriores. pic.twitter.com/repSEipa6A
— Diario฿itcoin (@DiarioBitcoin) November 16, 2026
Google DeepMind presentó Gemini Robotics 2.5, una actualización de su modelo de acción de lenguaje visual diseñado para que los robots ejecuten tareas físicas complejas. La compañía sostiene que el sistema amplía las operaciones que pueden realizar las máquinas y mejora su destreza, fiabilidad y seguridad, con aplicaciones tanto industriales como cotidianas.
La evaluación incluyó más de 200 tareas: desde manipular objetos delicados y materiales flexibles hasta usar herramientas y realizar ensamblajes de precisión. Según Google DeepMind, el modelo logró tasas de éxito entre 30% y 100% superiores a las de versiones anteriores, dependiendo de la tarea, y completó las operaciones entre 20% y 30% más rápido.
Pruebas en líneas de producción de Mercedes-Benz
Una de las demostraciones más destacadas involucró a Apollo 2, un robot humanoide desarrollado por Apptronik, en líneas de producción de Mercedes-Benz. Las pruebas se realizaron en Kecskemét, Hungría, y Sindelfingen, Alemania, donde el robot ejecutó tareas de kitting automotriz, un proceso que requiere seleccionar componentes de contenedores a granel y organizarlos en bandejas para el ensamblaje de vehículos.
Para esa operación, Gemini Robotics 2.5 controló los brazos y las manos de Apollo 2, mientras Gemini Robotics ER se encargó de la planificación de tareas. Apptronik y Google DeepMind reportaron una tasa de éxito de 96% durante el programa de prueba de concepto, una cifra asociada a ese ensayo específico y no a todas las tareas robóticas o instalaciones de Mercedes-Benz.
La tarea exige identificar piezas entre varios componentes, recogerlas y ubicarlas en el lugar previsto para que puedan avanzar hacia el ensamblaje. En ese contexto, la precisión manual y la coordinación entre percepción y movimiento son fundamentales: un robot puede reconocer un objeto, pero también necesita manipularlo y colocarlo conforme a la secuencia de trabajo.
Jeff Cardenas, cofundador y CEO de Apptronik, dijo que Apollo fue construido para realizar trabajo útil junto a personas en entornos industriales reales. También afirmó que, al combinar el robot con Gemini Robotics, observaron mejoras importantes en pocas semanas de postentrenamiento y una transferencia a la producción de Mercedes-Benz con poca pérdida de rendimiento.
Destreza, velocidad y alcance de las evaluaciones
La presentación de Gemini Robotics 2.5 se apoya en resultados que cubren tareas físicas distintas, no en una sola prueba de laboratorio. El conjunto evaluado incluyó objetos delicados, herramientas, materiales flexibles y operaciones de ensamblaje de precisión, un abanico que permite medir capacidades diferentes de las que requiere únicamente recoger y mover objetos rígidos.
Google DeepMind comunicó que las tasas de éxito mejoraron entre 30% y 100% frente a modelos anteriores, con el resultado concreto sujeto al tipo de tarea. La empresa también reportó que las operaciones se completaron entre 20% y 30% más rápido, por lo que ambas cifras deben leerse como rangos de desempeño observados en pruebas, no como una garantía uniforme para cada robot o entorno.
Un modelo de acción de lenguaje visual combina información visual con instrucciones y acciones físicas: en términos prácticos, ayuda a un robot a interpretar lo que tiene delante y a convertir una instrucción en movimientos. La demostración con Apollo 2 ilustra ese tipo de interacción, aunque la noticia no detalla qué componentes específicos explican cada mejora ni ofrece un desglose numérico por tarea.
El uso industrial también plantea una exigencia distinta a la de una demostración aislada: el robot debe completar una secuencia con regularidad y mantener un desempeño adecuado mientras cambia la posición de los objetos o las condiciones inmediatas de trabajo. En este caso, la compañía informó una transferencia a producción con poca pérdida de rendimiento, según Cardenas, pero no presentó en el material cifras adicionales sobre duración, volumen de operaciones o resultados en otras fábricas.
Controles de seguridad y evaluación de instrucciones riesgosas
Google DeepMind informó además de nuevos controles de seguridad basados en razonamiento, orientados a ayudar a los robots a operar cerca de obstáculos y personas. De acuerdo con la compañía, estos controles elevaron en 33% la finalización segura de tareas cuando había obstáculos y en 43% cuando había personas cerca.
Esos porcentajes se refieren a las evaluaciones reportadas por la empresa y no describen por sí solos todos los riesgos posibles en una planta. La información disponible tampoco especifica el número de escenarios incluidos en cada medición ni cómo se definió exactamente una tarea completada de forma segura, por lo que no corresponde interpretar los resultados como una certificación general de seguridad.
En paralelo, la compañía presentó ASIMOV-Jailbreak, un benchmark de código abierto para evaluar si los sistemas de IA robótica resisten instrucciones que podrían llevar a acciones inseguras. Google DeepMind señaló que Gemini 4 Argon obtuvo 99,5% de resistencia en esas evaluaciones, frente a 82% de una línea base anterior.
La prueba aborda un problema distinto al de la destreza manual: no solo importa que un robot pueda ejecutar una orden, sino también que se comporte de manera segura ante instrucciones potencialmente peligrosas. Los porcentajes reportados ofrecen una comparación dentro de ese benchmark, aunque la fuente no detalla qué instrucciones se usaron ni cómo se trasladarían los resultados a cada entorno de trabajo real.
Simulación y acceso para socios de robótica
Gemini 4 Argon también se utiliza en investigación robótica para generar escenarios de entrenamiento simulados, crear gemelos digitales y ayudar a investigar fallos durante la ejecución de tareas. Un gemelo digital es una representación virtual de un sistema o entorno físico; en este caso, la compañía lo presenta como parte de un conjunto de herramientas para experimentar y analizar comportamientos robóticos.
Google DeepMind afirma que estas capacidades aceleraron el desarrollo de Gemini Robotics 2.5 al reducir la cantidad de datos físicos de entrenamiento necesarios. La empresa no cuantificó esa reducción ni explicó qué proporción del desarrollo se realizó en simulación, así que el dato debe entenderse como una descripción de sus métodos y no como una comparación cuantitativa independiente.
La disponibilidad del nuevo modelo se está extendiendo a los socios de robótica de Google DeepMind, mientras la compañía continúa trabajando en sistemas de IA para distintas plataformas y aplicaciones del mundo real. La noticia no identifica a todos esos socios ni detalla las condiciones de acceso, pero el caso de Apollo 2 muestra una colaboración concreta entre el desarrollador del modelo, Apptronik y Mercedes-Benz.
El paso desde las pruebas hacia un uso más amplio dependerá de cómo se comporten estos sistemas en tareas variadas y en condiciones de operación reales. Por ahora, los datos divulgados destacan mejoras en destreza, rapidez y seguridad, junto con resultados en una prueba de concepto industrial, pero no establecen por sí solos que el modelo ya esté desplegado a gran escala en fábricas.
Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
IA
Grok Bot intentó acceder por si solo a cuentas de empleados, asegura informe de NewCore
Cadena de Suministros
Penguin Random House duplica la productividad de picking con robots en Barcelona
Empresas
Tribunal británico desestima demanda de £2.000 millones contra Sony por concepto de la PlayStation Store
China
