گوگل ڈیپ مائنڈ نے گزشتہ روز (30 جولائی) ایک بلاگ پوسٹ جاری کرتے ہوئے Gemini Robotics ER 2 ماڈل پیش کرنے کا اعلان کیا، جو روبوٹس کے لیے اس کا سب سے طاقتور مجسم استدلال (embodied reasoning) ماڈل ہے۔
استعمال کے لحاظ سے اس ماڈل کو روبوٹ کا ”اعلیٰ سطحی دماغ“ سمجھا جا سکتا ہے، جو انسانوں سے رابطے، طبعی دنیا کو سمجھنے اور کثیرالمراحل کاموں کی منصوبہ بندی جیسے امور کو مربوط انداز میں انجام دیتا ہے۔ یہ ماڈل بعد میں کام نچلی سطح کے بصری-لسانی-حرکی (VLA) ماڈلز کو سونپے گا اور ان کے ذریعے مختلف کام مکمل کرائے گا۔
خصوصیات کے لحاظ سے، سابقہ 1.6 ورژن کے مقابلے میں Gemini Robotics ER 2 ماڈل مسلسل ویڈیو دیکھ کر روبوٹ کو اپنی پیش رفت کا سراغ لگانے، مسائل پیدا ہونے پر ایڈجسٹمنٹ کرنے اور اگلے مرحلے میں داخل ہونے کا درست وقت سمجھنے کے قابل بناتا ہے۔ ماڈل Google Search (گوگل سرچ) یا ڈویلپر کے تیار کردہ کسٹم فنکشنز کو بھی براہِ راست استعمال کر سکتا ہے۔
طبعی ایجنٹس کے حوالے سے، روبوٹ کے کسی کام کو انجام دینے کے دوران Gemini Robotics ER 2 ماڈل بیک وقت آئندہ مراحل پر استدلال کر سکتا ہے، جس سے روایتی روبوٹس کے ”رکیں — سوچیں — پھر عمل کریں“ کے باعث پیدا ہونے والا تعطل کم ہوتا ہے۔ یہ ماڈل Gemini Live API (Gemini ریئل ٹائم API) کے دو طرفہ اسٹریمنگ اینڈ پوائنٹ سے منسلک ہے اور تاخیر کے حوالے سے حساس روبوٹی کاموں کے لیے موزوں ہے۔
Gemini Robotics ER 1.6 کے مقابلے میں ER 2 مسلسل ویڈیو اسٹریم کا تجزیہ کر سکتا ہے۔ اس کی مدد سے روبوٹ اپنے کام کی پیش رفت کا سراغ لگا سکتا ہے، عمل میں غلطی ہونے پر ایڈجسٹمنٹ یا دوبارہ کوشش کر سکتا ہے اور یہ طے کر سکتا ہے کہ اگلے مرحلے میں کب داخل ہونا ہے۔
کام کی پیش رفت کی درجہ بندی کے ٹیسٹ میں Gemini Robotics ER 2 کی درستگی 57.4% رہی۔ یہ صلاحیت روبوٹ کو پورے ورک فلو کو دوبارہ شروع کیے بغیر ناکام مرحلے کی اصلاح میں مدد دے سکتی ہے۔
moment-finding لمحہ تلاش (اہم لمحے کی تعیین) کے ٹیسٹ میں ماڈل کو وہ درست ویڈیو فریم تلاش کرنا ہوتا ہے جس میں اہم واقعہ پیش آیا، مثلاً یہ طے کرنا کہ کپ میں کافی ڈالنا کب روکنا ہے۔ ER 2 کی درستگی 91.3% رہی، جبکہ اوسط مطلق زمانی غلطی 0.96 سیکنڈ تھی۔
گوگل کے مطابق، یہ ماڈل کم کمپیوٹنگ لاگت پر بڑے ماڈلز کے زمرے کے قریب تر درستگی حاصل کرتا ہے، اس کی رفتار ان کے مقابلے میں 4 گنا ہے، اور یہ حقیقی روبوٹس کے محفوظ آپریشن کے لیے درکار ذیلی ثانیہ تاخیر کی ضروریات پوری کرتا ہے۔
ER 2 متعدد روبوٹس کے اشتراک کی بھی معاونت کرتا ہے۔ مختلف اقسام کے روبوٹس مشترکہ معنوی فہم کی مدد سے رابطہ کر سکتے ہیں، کام ایک دوسرے کے حوالے کر سکتے ہیں اور ایسے پیچیدہ ورک فلو مکمل کر سکتے ہیں جنہیں کوئی ایک ڈیوائس آزادانہ طور پر مکمل کرنے سے قاصر ہو۔ گوگل نے Apptronik کے Apollo 2 اور Franka کے FR3 Duo کے باہمی اشتراک کی مثال پیش کی۔
Gemini Robotics ER 2 اب Gemini API اور Google AI Studio کے ذریعے ڈویلپرز کے لیے عوامی طور پر دستیاب ہے؛ اسی دوران اسے Gemini Enterprise Agent Platform (Gemini انٹرپرائز ایجنٹ پلیٹ فارم) میں نجی پیش نظارہ کے لیے بھی فعال کر دیا گیا ہے۔ گوگل نے ماڈل کنفیگریشن اور پرامپٹ کی مثالیں بھی جاری کی ہیں۔