Google DeepMind presenta Gemini Robotics-ER 1.6 para la autonomía de robots y la lectura de instrumentos

El 14 de abril de 2026, Google DeepMind presentó Gemini Robotics-ER 1.6, una actualización de su modelo de razonamiento que funciona como capa cognitiva superior para robots en el mundo físico. La clave de la versión 1.6 no es añadir otro VLA, sino dar al robot un razonamiento espacial más preciso: el modelo comprende mejor la escena, cuenta objetos, determina si una tarea se ha completado y, por primera vez, lee con fiabilidad instrumentos complejos como manómetros, medidores de nivel y pantallas digitales.

DeepMind define Gemini Robotics-ER como un modelo reasoning-first para IA corpórea (embodied AI). Se necesita donde al robot no le basta con reconocer un objeto: debe entender las relaciones entre elementos, elegir un punto de agarre, comprobar restricciones y decidir qué hacer a continuación. La versión 1.6 refuerza de forma notable el pointing, la capacidad de señalar objetos y usar esos puntos como paso intermedio del razonamiento. Esto ayuda a contar objetos con más precisión, comparar tamaños, trazar trayectorias y seguir instrucciones con condiciones espaciales.

El modelo también mejora en multi-view understanding: combina mejor en una sola imagen lo que ven varias cámaras, por ejemplo una cenital y otra montada en el manipulador. Para los desarrolladores, Gemini Robotics-ER 1.6 ya está disponible a través de la Gemini API y Google AI Studio, junto con ejemplos en Colab para la configuración y el prompt engineering.

La nueva habilidad más llamativa es la lectura de instrumentos, que surgió de la colaboración con Boston Dynamics. En instalaciones industriales, los robots se topan con frecuencia con termómetros, manómetros circulares, mirillas e indicadores verticales de nivel, donde no importa solo clasificar una imagen, sino extraer el valor con exactitud. Para ello, Gemini Robotics-ER 1.6 usa agentic vision, una combinación de razonamiento visual y ejecución de código. El modelo primero amplía el fragmento relevante, luego marca los puntos clave, estima intervalos y proporciones y, por último, los contrasta con la escala, las unidades de medida y el contexto.

Según Google DeepMind, en la tarea de lectura de instrumentos la versión 1.5 obtuvo un 23%, Gemini 3.0 Flash un 67%, la propia Robotics-ER 1.6 un 86% y, con agentic vision, un 93%. Ya no se trata de demostrar que el robot «ve» un instrumento, sino de un paso hacia un escenario en el que hace su propia ronda, lee las mediciones y entiende qué significan.

Otro bloque importante es la detección de éxito y la seguridad. A un robot autónomo no le basta con saber iniciar una tarea; debe entender cuándo se ha completado de verdad y cuándo hay que repetir el intento. DeepMind afirma que el modelo gestiona mejor la detección de éxito incluso en escenas dinámicas, con oclusiones parciales y ángulos ambiguos.

También ha mejorado el cumplimiento de restricciones físicas: por ejemplo, el sistema debe respetar mejor prohibiciones como «no tomar líquidos» o «no levantar objetos de más de 20 kg». En las pruebas de reconocimiento de situaciones peligrosas a partir de texto y vídeo, la familia Gemini Robotics-ER mejoró el resultado de Gemini 3.0 Flash en un 6% y un 10%, respectivamente.

Google aclara por separado una limitación: el modelo no está pensado para aplicaciones críticas para la seguridad, como medicina, transporte u otros entornos donde un error pueda causar lesiones o daños.

El sentido práctico del lanzamiento es que Google va convirtiendo el razonamiento corpóreo de un tema de investigación en una capa de infraestructura para la robótica. Gemini Robotics-ER 1.6 no controla el hardware directamente, pero da a los robots un nivel superior de razonamiento más sólido, que puede conectarse con modelos VLA, búsqueda y funciones externas. Para el sector, también es una señal de que la interfaz entre modelos de lenguaje y robots se acerca al uso comercial. Si esta combinación funciona fuera del laboratorio, el mercado tendrá robots que no solo se mueven según un guion, sino que interpretan el entorno, verifican el resultado y leen instrumentos reales sin un humano en el circuito.