美国当地时间10月13日，谷歌Gemini 4 Argon开始面向全球开发者和企业开放。

87%，这是Gemini 4 Argon在ERQA（具身推理基准）上跑出的数字，成绩超过Opus 5.5、Gpt-6 Astra和Fable 5.1。 

这个数字背后，值得关注的是它拿到该分数时的约束条件：不挂外部工具、不接专用机器人模块、不做具身任务的额外微调，纯推理。DeepMind给其定位措辞是，通用物理推理模型。把“物理”两个字摆上台面。 

要理解“纯推理”三个字为什么少见，得先看过去两年的机器人演示是怎么搭出来的。大概架构是，感知一个模型，位姿估计一个模块，抓取规划再一个，最后运动控制收尾。每个环节单拎出来跑基准都不难看，拼在一起，误差开始互相叠加。 

再来说ERQA，它主要考的是空间与接触理解。400道多选题，围绕3D环境的空间布局和状态估计展开，覆盖轨迹推理、动作推理、状态估计、空间推理、多视角推理等类别。这和让真实机械爪完成物理抓取是两码事。

Argon在桌面试套里的表现提供了另一个数据点。谷歌的演示中，Argon从一张桌面照片出发构建物理仿真，生成了超过4500条机器人操作训练数据。用这些仿真数据微调“视觉－语言－动作”模型后，真实机器人的任务成功率从56%提升到75%，平均完成时间从35秒降到24秒。

这个数据的含义在于它改变的是数据生产函数。真机数据采集又慢又贵，一个团队一天攒下来的抓取轨迹可能只有几十条。从一张照片生成4500条带物理约束的训练episode，意味着大模型在机器人栈里的角色从“大脑”延伸到了“数据工厂”。

投沙包的演示也值得一提。Argon观看人类投掷的视频，重建环境的空间坐标，计算全身关节运动，自主编写仿真代码，然后迁移到Apptronik的Apollo人形机器人上，后者在真实场地连续投中了7次。

当然以上我们所说的全部来自谷歌内部实验，没有独立第三方复现，任务限于取物投掷类操作，并不等于通用机器人能力。

再来看看其他模型表现如何，OpenAI的GPT-6 Astra在需要文本推导的物理任务上极强。可一旦任务转向直觉视觉物理推理，短板暴露：Scale AI与Elorian发布的HSS基准，522道考察直觉视觉推理的题目，人类基线93.1%，GPT-6 Astra仅得53.6%，且是在最大推理强度下。前沿多模态模型离人类直觉的距离，近40个百分点。

Claude Opus 5.5在ERQA上以82.3%位居Argon之后。但在研究级物理基准CritPt上，它与GPT-6 Astra并列31.7%。CritPt考的是研究级物理问题，这一占比意味着前沿模型在解决真实物理研究问题上，仍然只做到不到三分之一的正确率。 

更广的版图上看，PhyX基准包含3000道物理推理题，覆盖热力学、电磁学、力学、现代物理、光学、波与声学六个核心领域。GPT-4o、Claude 3.7 Sonnet和GPT-o4-mini的准确率分别为32.5%、42.2%和45.8%，与人类专家的性能差距超过29%。

论文的结论更是十分直接，当前模型过度依赖记忆的学科知识、过度依赖数学公式、过度依赖肤浅的视觉模式匹配，而非真正的物理理解。

这些数据放在一起，可以看出物理推理不是一组能力的集合。文本推演、视觉常识、空间关系、材质形变：每个模型在不同维度上表现差异极大，单一基准分数往往掩盖了这种分裂。