首页 
Gemini Robotics ER 2是Google DeepMind于2026年7月30日发布公开预览的具身推理（Embodied Reasoning）模型，专为机器人应用场景设计。该模型提供两个端点：gemini-robotics-er-2-preview和gemini-robotics-er-2-streaming-preview，分别面向标准推理和实时流式场景。
标准版（ER 2 Preview）具备高级空间推理、智能体代码执行、多步工具编排、视频时刻查找、进度分类和多机器人协调能力。流式版（ER 2 Streaming Preview）针对实时文本流优化，使用Live API实现低延迟机器人智能体交互，支持双向音频和视频输入，适合需要实时响应的物理机器人控制场景。
两个端点均接受文本、图像、视频和音频多模态输入，并支持带有阻塞行为的函数调用，使模型能够在执行物理机器人动作时暂停等待结果反馈。该模型标志着Google DeepMind在物理AI和具身智能领域的重大推进，前代模型gemini-robotics-er-1.6-preview将于2026年8月31日关停。
📋 技术规格
| 厂商 | Google DeepMind |
|---|---|
| 模型分类 | 多模态理解 |
| 参数规模 | 未公开 |
| 上下文窗口 | 未公开 |
| 最大输出 | 未公开 |
| 知识截止 | 2026-07 |
| API定价 | 输入: ['公开预览阶段，定价未公布']输出: ['公开预览阶段，定价未公布'] |
⭐ 核心能力详解
空间推理
高级空间理解和推理能力，理解物理环境布局
智能体代码执行
可执行和编排代码，驱动机器人完成复杂任务
多步工具编排
多步骤工具调用编排，支持复杂任务分解
多机器人协调
支持多机器人协同工作，分配和协调任务
实时流式推理
流式版支持低延迟双向音视频，适合实时控制
多模态输入
文本、图像、视频、音频四模态输入
🎯 典型应用场景
工业机器人协调：多机器人协同完成装配、搬运、分拣等工业任务，模型协调任务分配和执行顺序。
服务机器人导航：服务机器人在办公、商业环境中自主导航和交互，利用空间推理理解环境。
机器人研发与测试：研发团队利用模型的多步工具编排能力测试复杂机器人任务流程。
具身智能研究：学术和工业研究团队利用模型探索物理AI和具身智能前沿能力。
💪 技术优势与差异化
- Google DeepMind在具身智能领域的最新成果，空间推理和多机器人协调能力前沿
- 双端点设计满足标准推理和实时流式两种场景需求
- 多模态输入（文本+图像+视频+音频）全面感知物理环境
- 函数调用支持物理机器人动作阻塞行为，安全可靠
- Live API实时流式支持低延迟双向音视频，适合实时控制
⚠️ 使用局限与注意事项
- 公开预览阶段，定价和正式发布时间未公布
- 参数规模、上下文窗口等技术规格未公开
- 仅通过Gemini API使用，不支持本地部署
- 前代ER 1.6将于8月31日关停，迁移窗口有限
💰 价格分析与成本建议
Gemini Robotics ER 2目前处于公开预览阶段，定价尚未公布。建议关注Google AI for Developers官方Gemini API定价页面获取最新信息。作为具身推理专用模型，其定价策略可能参考Gemini企业级API。企业在评估成本时需考虑多模态输入和函数调用的token消耗。
👥 适用人群与企业
Gemini Robotics ER 2主要面向：工业机器人研发企业、服务机器人厂商、具身智能研究机构、自动化产线集成商、机器人初创公司。通过云巴巴AI大模型广场可便捷接入Google DeepMind的Gemini Robotics ER 2。
🏭 行业适配度评估
多机器人协调和空间推理适合产线自动化和仓储物流
⚠ 工业部署需考虑API延迟和网络稳定性
流式版低延迟交互适合服务机器人实时导航和对话
⚠ 商业部署需评估API成本
空间推理和多机器人协调可优化仓储搬运效率
⚠ 复杂仓储环境需额外传感器配合
具身智能前沿研究工具，支持学术探索
⚠ 预览阶段功能可能调整
空间推理可辅助手术机器人定位
⚠ 医疗场景安全要求极高，API延迟可能不满足
📊 基准测试表现
| 空间推理 | 高级空间理解（官方公布） |
|---|---|
| 多机器人协调 | 支持（官方公布） |
| 实时流式 | Live API低延迟（官方公布） |
🔧 技术架构解析
Gemini Robotics ER 2提供两个端点：标准版gemini-robotics-er-2-preview支持空间推理、智能体代码执行、多步工具编排、视频时刻查找、进度分类和多机器人协调；流式版gemini-robotics-er-2-streaming-preview使用Live API优化实时文本流，支持双向音频和视频输入。两个端点均接受文本、图像、视频、音频多模态输入，支持带阻塞行为的函数调用，使模型在执行物理机器人动作时可暂停等待反馈。前代ER 1.6-preview将于2026年8月31日关停。
🔒 安全合规与数据隐私
| 数据训练策略 | 未公开（Google未明确说明Robotics ER用户数据是否用于训练） |
|---|---|
| 合规认证 | SOC 2、GDPR、Google AI Principles |
| 数据驻留 | Google Cloud全球部署，数据在美国服务器处理 |
| 加密方式 | 传输加密（TLS 1.3），存储加密（AES-256） |
⚔️ Gemini Robotics ER 2 与同梯队机器人模型对比
| 竞品模型 | 优势 | 不足 |
|---|---|---|
| Mistral Robostral Navigate | 单摄像头导航、开源 | 仅导航功能，无多机器人协调 |
| NVIDIA GR00T | 人形机器人专用、生态完善 | 聚焦人形，通用性稍弱 |
| Figure 02 Helix | 端到端人形控制 | 闭源、仅限Figure硬件 |
- 空间推理和多机器人协调能力前沿
- 双端点设计覆盖标准和实时场景
- 四模态输入全面感知物理环境
- 函数调用支持物理动作阻塞行为
- Google DeepMind具身智能最新成果
- Live API低延迟双向音视频实时交互
🏢 同厂商模型矩阵
Google DeepMind旗下Gemini系列模型矩阵（选取代表性模型）
| 模型 | 定位 | 品类 | 特色 |
|---|---|---|---|
| Gemini 3.6 Flash | 默认Flash模型 | multimodal | $1.50/$7.50，65%更少token |
| Gemini 3.5 Flash | 前代Flash | multimodal | 高速推理，多模态理解 |
| Gemini Robotics ER 2当前 | 具身推理 | multimodal | 空间推理，多机器人协调，公开预览 |
| Gemini 3.5 Flash-Lite | 极致低成本 | chat | $0.30/$2.50，高量自动化 |
🧭 选型决策指南
高级空间推理能力，支持多模态环境感知
多机器人协调能力前沿，支持任务分配和执行顺序
ER 2 Streaming支持低延迟双向音视频实时交互
仅通过Gemini API使用，不支持本地部署
目前为公开预览阶段，定价和稳定性待验证
🏆 真实使用案例
📌 某工业自动化企业用ER 2协调多机器人产线
📌 某服务机器人公司用ER 2 Streaming版实现实时导航
📌 某研究机构用ER 2探索多机器人协调前沿
📌 某机器人初创公司用ER 2加速产品研发
💬 用户真实评价
多机器人协调能力很强，空间推理让机器人真正理解环境布局。函数调用阻塞行为设计很安全。
Google DeepMind在具身推理领域的最新力作。流式版的低延迟双向音视频非常适合实时控制实验。
四模态输入让服务机器人真正看懂听懂环境。不过预览阶段功能稳定性还需观察。
用ER 2加速了产品研发，空间推理和代码执行能力确实领先。期待正式版定价合理。
✅ 最佳实践建议
💡 Prompt工程建议
多模态输入组合环境感知
结合文本指令、摄像头图像和环境视频，让模型全面理解物理场景。
函数调用阻塞设计
在执行物理机器人动作时使用阻塞行为，确保动作完成后再继续推理。
选择合适端点
标准推理用ER 2 Preview，实时控制场景用ER 2 Streaming Preview。
🔄 替代方案分析
Robostral Navigate仅需单RGB摄像头，8B参数轻量化，适合简单导航。
ER 2仅API使用，如需本地部署可评估开源具身智能模型。
GR00T专为人形机器人设计，生态完善。
ER 2为预览版，如需稳定生产环境可暂用ER 1.6（8月31日前）。
2026-08-03
