Qué cambia frente a la generación anterior: vídeo en vivo, no fotogramas
La diferencia central que plantea Google DeepMind con Gemini Robotics ER 2 no es una cifra de rendimiento, sino un cambio de método: el modelo entiende una transmisión de vídeo en vivo en lugar de apoyarse solo en fotogramas estáticos aislados para decidir si un paso de una tarea está completado.
Esa distinción importa porque un fotograma suelto no dice si una acción está empezando, a mitad o terminando. Con flujo continuo, el sistema puede seguir la evolución temporal de una tarea igual que lo haría un supervisor humano mirando una cámara, no una serie de fotos sueltas tomadas cada cierto tiempo.
Google DeepMind describe a ER 2 como el modelo responsable de la planificación de alto nivel: decide qué hacer y cuándo, mientras deja el control motor fino de las articulaciones a otro modelo separado. Es una división de trabajo entre razonamiento y ejecución física.
Cómo mide el progreso: cinco tramos y una precisión del 57,4%
El sistema de evaluación clasifica cada fotograma dentro de cinco niveles de avance de la tarea: 0-20%, 20-40%, 40-60%, 60-80% y 80-100%. Es una forma de convertir un proceso continuo en una escala discreta que el modelo puede predecir con relativa consistencia.
La precisión reportada en esa clasificación de progreso es del 57,4%. Es una cifra que conviene leer sin épica: significa que algo más de la mitad de las veces el modelo acierta el tramo exacto de avance en el que se encuentra la tarea, no que acierte siempre.
Donde el modelo sí muestra un desempeño más sólido es en detectar momentos críticos, con una precisión del 91,3% y un error medio absoluto de apenas 0,96 segundos respecto al instante real en que ocurre ese momento. Detectar cuándo algo relevante sucede parece más tratable que estimar con exactitud cuánto queda para terminar.
La promesa de eficiencia: cuatro veces más rápido, según la propia compañía
Google DeepMind afirma que ER 2 ofrece una ejecución aproximadamente 4 veces superior y con menos cómputo que modelos mucho más grandes. Es una afirmación de la propia compañía, no un dato contrastado por un tercero, y no viene acompañada en el anuncio de la metodología de comparación ni de los modelos concretos usados como referencia.
Esa cautela no resta interés al dato: si se sostiene, implicaría que tareas de razonamiento sobre vídeo que hoy exigen modelos de gran tamaño podrían ejecutarse con menor latencia y coste computacional, un factor decisivo para aplicaciones que necesitan reaccionar en tiempo real, no en diferido.
Coordinación entre varios robots bajo una misma comprensión semántica
Más allá de la evaluación de tareas individuales, Google DeepMind plantea a ER 2 como una pieza para la colaboración entre varios robots que comparten una comprensión semántica común de la tarea que ejecutan conjuntamente.
Eso apunta a escenarios donde no basta con que un robot sepa qué está haciendo él mismo, sino que necesita entender en qué punto está el proceso colectivo: si otro robot ya completó su parte, si hay que esperar o si conviene intervenir. Es el terreno donde el análisis de vídeo en vivo, frente al de fotogramas sueltos, tiene más margen para marcar diferencia práctica.