機器人基礎模型

Spot 取物展示中，ER 2 負責高層計劃、API 選擇和進度確認，Spot 原有的導航、機械臂介面與控制器負責實際移動和抓取。

ER 2 標準版與流式版都有免費層，付費輸入和輸出分別為每百萬 token 2 美元與 10 美元；兩者支援的工具和通訊方式不同。

On-Device 2 在機器人本地讀取指令、影像和本體狀態，輸出數值動作；它不是公開 Gemini API 模型，目前僅面向 Trusted Testers。

Gemini Robotics ER 2 是面向機器人的高層視覺語言模型，負責理解環境、規劃步驟、呼叫工具和跟蹤進度，不直接輸出馬達動作。

將 GR00T N1.7 理解為早期存取的 3B 視覺-語言-動作模型，包括架構、資料格式、適配和硬體評估，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

解釋 VLA 模型如何把影像與語言指令轉換為機器人動作，並比較 VLM、動作標記、訓練資料、即時控制、失敗恢復和評估限制。

Google 的物理 AI 版圖涵蓋 Gemini Robotics、具身推論、世界模型、資料與機器人合作。本文整理各層角色與證據邊界。

VLM 主要產生文字或空間語意，VLA 還要輸出可執行動作。本文比較資料、動作介面、控制回饋、校正與實機風險。

機器人基礎模型希望把跨任務、場景與機器本體的能力重複使用。本文說明預訓練資料、動作介面、微調方式與實機評估限制。