前沿热点
前沿热点

96% 出自奔驰产线,为什么官方仍称概念验证?

2026 年 11 月 10 日,Google DeepMind 同日发布两篇官方博客:机器人侧,Gemini Robotics 2.5 在奔驰产线帮助 Apptronik 的 Apollo 2 人形机器人完成零部件拣选装箱,成功率 96%,但官方连用 proof-of-concept 与 pilot,只说 promising progress toward widespread real-world industrial applications;形式化验证侧,AlphaProof Code 用四周生成超过 600 万行 Lean(官方原文 over six million lines of Lean,仅下限),证明 Signal 核心密码学代码 delivers 专家写定的 key security properties,仅 1% 代码库需人工二次查看。本篇只拆四条最易搬错的口径边界:96% 是概念验证不是量产;99.5% 越狱抗性属 Gemini 4 Argon、82% 属前代基线 Gemini Robotics ER 2,2.5 自身安全数字是 33% 与 43%;四周是验证过程耗时,非项目总周期;ASIMOV-Jailbreak 开源的是基准非模型,模型仅向机器人伙伴推送,公众可用与定价官方未说明。截至 2026 年 11 月 11 日,官方未给的分母、次数与版本号一律记作未说明。

发布于 2026年11月12日9 分钟阅读
<!-- gemini-robotics-25-alphaproof-hotspot | hotspot | 96% 出自奔驰产线,为什么官方仍称概念验证? -->

2026 年 11 月 10 日,Google DeepMind 同日放出两篇官方博客,一篇讲机器人,一篇讲形式化验证。机器人那篇给出一个很抓眼的画面:在奔驰(Mercedes-Benz)的真实汽车产线上,Apptronik 的 Apollo 2 人形机器人把汽车零部件拣起、装箱,官方写下的成功率是 96%。形式化验证那篇给出另一组大数:一组 agent 用四周时间生成了超过 600 万行 Lean,去验证 Signal 的核心密码学代码。产线、96%、四周、六百万行,每一个单拎出来都够上头条。可把两篇文逐句摊开读,最值得停下来的反而是官方往回收的那几句:96% 被写成概念验证,四周被说成只是验证过程耗时,超过 600 万行 Lean 只证明专家写定的关键安全属性,而那个 99.5% 的抗越狱数字,主语并不是机器人模型,是 Argon。

本篇不跑分、不排行、也不下"是否已经落地"的断言,只读这两篇官方文说了什么、又刻意没说什么。所有数字与措辞以两篇 2026 年 11 月 10 日官方博客的逐字表述为准,官方没有给出的分母、次数、版本号、清单,一律记作官方未说明,不替它补齐。截至 2026 年 11 月 11 日,下面把四条最容易被搬错口径的边界逐一拆开;读法只有一个,先看主语,再看限定词,最后看分母给没给。

一、96% 的出处:产线上的概念验证,不是量产

机器人侧的 96% 有一句完整的官方原文:在奔驰产线的一次 real-world proof-of-concept 中,模型帮助 Apptronik 的 Apollo 2 人形机器人完成汽车零部件的拣选与装箱,成功率为 96%。紧接着官方又补了一句,说这次 pilot 取得 96% 的成功率,显示出朝广泛真实工业应用推进的 promising progress。请把官方连用的三个词连起来看:proof-of-concept、pilot、promising progress toward widespread real-world industrial applications。概念验证、试点、朝广泛真实工业应用的前景进展,这是一条明确指向"尚未规模化"的措辞链,不是"已经量产"。把 96% 直接读成工厂良率,恰恰是这几句话在防的误读。两处地点也写在页内:匈牙利的 Kecskemét 与德国的 Sindelfingen,都是具体的生产现场,但现场不等于常驻产线。

这次演示里各层各管什么值得拆清楚,因为它决定了 96% 到底算在谁头上。官方写明,Gemini Robotics ER 负责 keep track of the workflow,也就是盯住整个工作流程;Gemini Robotics 2.5 作为 actions model,负责 control its hands and arms,控制手和手臂去执行动作。硬件侧点名了五指、22 自由度的 SharpaWave hand,以及 Franka Duo 的两指平行夹爪。换句话说,这是一套"推理层管流程、动作层控本体、硬件层出力气"的组合演示,96% 是这套组合在限定任务里交出的结果,不是某一个模型单独拿到的分数;把它记成 2.5 一家的成绩单,已经先错了一层。

官方对 96% 的披露也就到此为止。分母是多少、尝试了多少次、连续跑了多久、cycle time 多长、人工接管过几次、用了多少台机器人和几条产线、训练数据规模多大,页内都没有给出。没有分母的百分比,能说明的只是"在这批被记录的任务里,成功占比是 96%",说明不了长时间连续生产下的稳定性,也推不出任何"何时能规模化、还差多远"的判断,这类判断两篇官方文都没有给出,本篇同样不补。

这里要和站内 08-11 那篇 Gemini Robotics ER 2 旧文 错开角度看。那篇讲的是 ER 2 作为具身推理"大脑"怎么边干边想,本篇涉及的是 2.5 作为动作模型怎么动手,以及另一条完全不同的形式化验证线;把两篇当成同一代产品的连续升级来读,很容易顺手把前代基线的数字和新发布的数字混在一起,下一节正是这个坑。

页内还列了版本脉络:Gemini Robotics 2 在 2026 年 7 月带来全身智能,Gemini Robotics 1.5 在 2025 年 9 月,初代 Gemini Robotics 在 2025 年 3 月。把这些日期摆出来,是为了说明 2.5 站在一条已有序列上,而不是凭空出现的一次孤立发布;本篇不比较各代强弱,只把它们当作读数字的坐标。

二、99.5%、82%、33%、43%:四个数字,三个主语

安全段落里最容易被搬错的是这句逐字:Argon achieves a 99.5% jailbreak resistance,相对前代基线 Gemini Robotics ER 2 的 82% 是一次显著提升。拆开看,99.5% 抗越狱的主语是 Gemini 4 Argon,而且是在 ASIMOV-Jailbreak 这个开源基准之下测得的;82% 属于前代基线 Gemini Robotics ER 2。这两个数字都不是 Gemini Robotics 2.5 的成绩,也不该被写成"通用越狱抗性"。一旦把 99.5% 贴到 2.5 头上,后面关于机器人安全的整段论述就全歪了。想顺着 Argon 与 Carbon 的型号脉络往下读,可以看站内的 Carbon 热点旧文;本篇只把它当作归属辨析的坐标,不往别的线展开。

Gemini Robotics 2.5 自己那组安全数字是另外两个数:官方说 inference-time reasoning guidance,也就是推理时的推理引导,让 safe task completion 在障碍物周围提升了 33%、在附近有人时提升了 43%。注意措辞是"提升",不是"达到",33% 与 43% 是相对增幅,不是某项通过率的绝对值,官方也没有把它们换算成"安全率百分之多少"。把 33%、43% 和 99.5% 并排抄在一句话里、当成同一套指标,是二手转述里最常见的错位;三者的主语、基准、量纲其实都不一样。

还要分清两处"开源"与"开放"。ASIMOV-Jailbreak 开源的是基准与数据集,官方挂在 HF 的 google/asimov_agentic,含数百条提示、覆盖数十个场景,它不是被开源的模型;Argon 在这条线里的角色,官方写作 in large part thanks to Gemini 4 Argon's ability to accelerate robotics research、acting as a simulation engine,是当仿真引擎来加速研发。至于模型本身,官方只写 rolling out to our robotics partners,点名的伙伴是 Agile、Apptronik、Mercedes-Benz;公众能否使用、有没有 API、权重放不放、定价多少,官方页均未说明。把 ASIMOV-Jailbreak 说成"开源了机器人模型",或把"向合作伙伴推出"读成"全面开放",都是越过了官方措辞。越狱基准与红队方法的展开,放在文末延伸阅读。

同一页里还有两处容易被顺手统一的细节。测试规模,官方一处写 across over 200 distinct tasks,另一处写 200 distinct tasks,两种表述并存,本篇照录,不替官方合并成一个数字。性能提升的逐字是 Compared to previous baselines, Gemini Robotics 2.5 achieves a 30% to 100% higher success rate depending on the type of task, while completing tasks 20% to 30% faster:成功率提升 30% 到 100%、完成速度提升 20% 到 30%,都挂着 compared to previous baselines 这个前提,而这里的 previous baselines 官方并未逐项定义。区间随任务类型变化、基线又未点名,这两组百分比就只能当"相对自家前代的区间改善"来读,不能当成跨模型横向比较的分数;评测口径怎么读,文末延伸阅读里有更细的方法文章。

三、四周与超过 600 万行 Lean:一次验证过程的账

切到形式化验证那篇。AlphaProof Code 被官方定位为 a novel agentic framework for formal verification,署名作者是 Pushmeet Kohli 与 Swarat Chaudhuri,框架是 multi-LLM 的。流程的起点并不是让 AI 直接去读代码,而是研究者与多种模型协作,把 Signal 的安全目标翻译成形式化的数学规格,官方特别写明 with human experts reviewing every one,每一条规格都有人类专家审过。这一步决定了后面所有证明的边界:机器证的是"被翻译并审定过的规格",不是凭空理解的"Signal 全部安全性"。

真正做证明的是官方这句:agents powered by Gemini Carbon did the proofs, generating over six million lines of Lean。原文是 over six million lines of Lean,即超过 600 万行 Lean,给的是下限,不是精确到个位的数值;本篇只取这个带下限的官方口径,不把它换算成任何更精确的数字。耗时那句同样按逐字读:our verification process took just four weeks,对照 a task that historically takes expert teams years。四周指的是这次 verification process(验证过程)的用时,对照的是"历史上专家团队要花数年",它不是项目总周期,更不是模型训练时长,官方没有把它说成训练耗时。把"四周"读成"从立项到交付只用了四周",是换了主语。

规模之后是复核比例。官方写 just one percent of the codebase 需要人工二次查看,其余部分 Lean automatically checks the rest,百分之一人工看、其余交给 Lean 自动检查。agent 还往下走了一层,官方说 our agents went further, proving that the compiled code fulfills the key security properties,一直证到 down to the exact code running on devices,也就是设备上实际跑的那份编译后代码。把"超过 600 万行 Lean"与"仅百分之一需人工复核"放在一起,能看出这套框架的卖点是自动化证明的覆盖面,而不是有人逐行把六百万行读了一遍;形式化验证从规格到机器可检验证明的一般做法,文末延伸阅读另有对照。

四、只证专家写定的规格:AlphaProof Code 的边界

这一节其实可以浓缩成官方自带的一串限定语。它证的是 key security properties,关键安全属性,不是全部;对象是 Signal's core cryptographic code 与 core Signal protocol,核心密码学代码、核心协议,不是整个应用;覆盖范围限于 the security protections our experts specified,专家写定的那些保护;结论的语气是 greater confidence in our code's privacy guarantees,是"更高置信度"而非绝对保证;官方还补了 Scaling these techniques requires continued research,把规模化明确留作后续研究。页内举到的那个具体例子是 keeping messages protected before and after a device is temporarily compromised,并用了 such as,说明只是举例、不是穷尽清单。把这些词连起来,AlphaProof Code 交出的是"对专家写定规格、在 Signal 核心密码学代码上、受机器检查的置信度";任何一句把它读成"Signal 已被证明绝对安全"或"整个应用验证完毕",都超出了官方原文。

页内还有一个反直觉、却最能说明系统行为的动作:官方说 we reintroduced two real, previously fixed bugs into an isolated version of Signal's code,随后 In both cases, the system produced a machine-checked proof that the buggy version was insecure。也就是说,团队主动把两处真实的、此前已修复的旧 bug 植回一个隔离版本,系统两次都产出了"这个有 bug 的版本不安全"的机器可检验证明。这是"有 bug 版本不安全"被成功证明出来,是系统按预期工作,不是证明失败、更不是给不出证明。把它读成"验证露馅了",恰好把结论说反。

就这两篇官方博客的正文而言,还有一批东西没有出现:具体依赖库与协议的版本号,人工审核规格的行数,完整的安全属性清单,各类排除项,agent 的数量与算力,以及任何关于"整个应用是否已被证明安全"的明确表述。这些有的来自技术论文、有的来自媒体转述,本文只按博客逐字取材,因此统一记作官方页未说明或未逐项列出,不替官方补一句否定的结论。开源方面,官方写的是 We are open-sourcing our formal verification artifacts for community use,给了 artifacts 站点与一篇论文 PDF,但没有给许可证类型;这一处同样按官方已写与未写分开记。

五、把四条边界连起来

现在把四条线并到一处:96% 是概念验证与试点,不是量产;四周是验证过程耗时,对照的是专家团队数年;超过 600 万行 Lean 只证明专家写定的关键安全属性与 Signal 核心密码学代码;99.5% 抗越狱属于 Gemini 4 Argon、在 ASIMOV-Jailbreak 基准之下,82% 属前代基线 Gemini Robotics ER 2,而 2.5 自己的安全数字是障碍物周围 33%、附近有人 43%。四条边界指向同一件事:这两篇官方文的价值,恰恰在于它们把每个亮眼数字都圈在了明确的适用范围内,而不是任由数字自己跑出去。

所以本篇的读法从头到尾只有一句:只读这两篇 2026 年 11 月 10 日官方文说了什么与没说什么,跑分、排行、强弱结论都不做。两篇博客标注的是同一天,可以并排放着读,但官方并没有写"同日发布"这样的宣告句,本文也只是把日期摆出来,不替它加戏。至于同属当日发布簇里的其他话题,属于别的体裁,本篇不展开:AlphaProof Code 页内只说证明由 Gemini Carbon 驱动的 agent 完成,这一句到此为止,不往价格或窗口引。

对读者更实用的,或许是养成一个习惯:看到 96%、99.5%、超过 600 万行、四周这样的数字,先问三句,主语是谁、限定词是什么、分母给没给。这两篇官方文难得的地方,是把这三问的答案大多写在了正文里:proof-of-concept、pilot、over six million lines 给的是下限、just four weeks 说的是验证过程、Argon achieves 点明了主语、key security properties 划了范围、greater confidence 定了语气。数字负责吸引目光,限定语负责界定事实;把后者读丢了,前者再亮也站不住。截至 2026 年 11 月 11 日,官方仍未给出 96% 的分母、公众可用范围、API、权重与定价,也未列出完整安全属性清单,这些缺口就让它保持为缺口,不补、不推、不演绎。

延伸阅读

本文由 AI 辅助生成,经人工审核编辑。最后更新:2026-11-12

相关文章

前沿热点

59 分登顶却买不到,谷歌 Carbon 在赌什么

谷歌 10 月 28 日发布 Gemini 4 Carbon,在 Artificial Analysis 刚换版的 Intelligence Index v5.0(私有/隐藏题权重提至 60%)以 59 分登顶,超 Opus 5.5 的 58 与 GPT-6 Astra 的 57,较两周前 Argon 的 50 分提升 9 分;9 项评测拿 4 项第一(HLE-Diamond 69%、Terminal-Bench-Science 65%、AA-Omniscience、AutomationBench-AA),官方对比表称 17 项中 15 项领先(多为自报口径)。三条网络安全基准——SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%——均为谷歌自报、无护栏、无第三方复现,其中利用验证跃迁最大(Argon 42.0%)。无 API 无应用入口,本周起仅向经审核的网安防御者开放,经 Fairwind 计划扩容;介绍期定价同 Argon(每百万 token 输入 2 美元、输出 10 美元、缓存 95% 折扣,到期翻倍)且无截止日。AA 独立测量给出另一面:单任务成本 7.76 美元、首 token 中位延迟 97.5 秒、单轮总输出约 2 亿 token;AA-Omniscience 口径下答错硬答率 11% 高于 Argon 的 4%、远好于 Opus 5.5 与 Astra 的 50%。发布同日 Alphabet 财报盘后跌超 10%(多口径并列不取舍),次日收跌 12.64% 创上市以来最大单日跌幅。

2026年10月30日9 分钟阅读
前沿热点

谷歌Genie 4:世界会说话了,却只能演两分钟?

谷歌 DeepMind 10 月 27 日以研究预览开放 Genie 4(trusted testers 起步,waitlist 已开在 Project Genie):Genie 线首个原生生成音频的世界模型——环境声、音乐与可实时应答的角色对话同步生成,官方称交互式人类语音是真正的边界。架构上 Gemini Omni 锚定外观与行为、Gemini 3.8 Flash 任导演拆步骤查帧,机器人实验里 Gemini 4 Argon 拆任务给 Apollo 人形机器人渲染跳棋对局;场景连贯最高 2 分钟为 TechCrunch/The Verge 报道口径(官方仅认细节漂移仍待解),两代对比以 Project Genie 原型约 60 秒单次限制为基准。跑分、分辨率、帧率、参数量与定价均未公布;全部输出带 SynthID 水印。竞品 Runway GWM Worlds 2 与行业整合潮(AMD 收购 World Labs、Amazon 洽购 Decart)并列文末。

2026年10月29日8 分钟阅读
前沿热点

一条回复80万行:谷歌Argon把编程分刷到77.9

谷歌 DeepMind 2026-09-30 发布 Gemini 4 家族首款旗舰 Gemini 4 Argon(官方口径):主打长程复杂工作流——真实软件工程、法律金融知识工作、网络防御。核心变化:输出上限从 64K 拉到 100 万 token(约 16 倍);官方基准表 DeepSWE v1.1 得 77.9% 列 SOTA(对比 GPT-6 Astra 74.1、Claude Opus 5.5 74.2),AutomationBench 51.3% 第一,CWE-bench v1 68% 并列第一,GraphWalks 长上下文 256k-1M 档 84.2%。短板如实写入:FrontierSWE v2 55.0 低于 Astra 65.5,Terminal-bench 4.0 57.4 低于 Opus 5.5 66.4——本篇归因为题型差异(长程卷子赢、终端小步卷子输),官方未解释。内部案例:Fuchsia Zircon 内核 80 万+行 C/C++→Rust 迁移;libgav1 替换 3.2 万行 SIMD 代码快 2.7 倍且逐帧一致;数据中心内存优化释放 300+ TiB。定价:引入期 $2/$10(缓存 95% off),期后 $4/$20。受控发布如实写:Fairwind Program 650+ 合作伙伴先行(受信防御者拿无 guardrails 版本),普通用户与付费 API 暂不可用、无日期。全部分数为谷歌自报。

2026年10月7日9 分钟阅读