Google DeepMind apresenta o Gemini Robotics-ER 1.6 para autonomia de robôs e leitura de instrumentos

Em 14 de abril de 2026, o Google DeepMind apresentou o Gemini Robotics-ER 1.6, atualização do seu modelo de raciocínio que funciona como camada cognitiva superior para robôs no mundo físico. O objetivo da versão 1.6 não é acrescentar mais um VLA, mas dar ao robô um raciocínio espacial mais preciso: o modelo entende melhor a cena, conta objetos, determina se uma tarefa foi cumprida e, pela primeira vez, lê com confiança instrumentos complexos, como manômetros, medidores de nível e displays digitais.

O DeepMind chama o Gemini Robotics-ER de modelo reasoning-first para IA incorporada (embodied AI). Ele é pensado para situações em que não basta ao robô reconhecer um objeto: é preciso entender as relações entre os itens, escolher um ponto de preensão, verificar restrições e decidir o que fazer em seguida. A versão 1.6 reforça de forma notável o pointing, a capacidade de apontar objetos e usar esses pontos como etapa intermediária do raciocínio. Isso ajuda a contar itens com mais precisão, comparar tamanhos, traçar trajetórias e seguir instruções com condições espaciais.

O modelo também ganhou um multi-view understanding melhor: ele monta com mais eficiência uma visão única a partir de várias câmeras, por exemplo uma superior e outra instalada no manipulador. Para desenvolvedores, o Gemini Robotics-ER 1.6 já está disponível pela Gemini API e pelo Google AI Studio, com exemplos em Colab para configuração e prompt engineering.

A habilidade nova mais notável é a leitura de instrumentos, fruto da colaboração com a Boston Dynamics. Em instalações industriais, os robôs lidam com frequência com termômetros, manômetros circulares, visores e indicadores verticais de nível, nos quais importa não apenas classificar a imagem, mas extrair o valor com exatidão. Para isso, o Gemini Robotics-ER 1.6 usa agentic vision, que combina raciocínio visual e execução de código. O modelo primeiro aproxima o trecho relevante, depois marca pontos-chave, estima intervalos e proporções e, por fim, compara tudo com a escala, as unidades de medida e o contexto.

Segundo o Google DeepMind, na tarefa de leitura de instrumentos a versão 1.5 marcou 23%, o Gemini 3.0 Flash 67%, o próprio Robotics-ER 1.6 86% e, com agentic vision, 93%. Não se trata mais de demonstrar que o robô "vê" um instrumento, mas de um passo rumo a um cenário em que ele faz a própria ronda, lê as medições e entende o que elas significam.

Outro bloco importante é a detecção de sucesso e a segurança. Para um robô autônomo, não basta saber iniciar uma tarefa; é preciso entender quando ela foi de fato concluída e quando a tentativa deve ser repetida. O DeepMind afirma que o modelo lida melhor com a detecção de sucesso mesmo em cenas dinâmicas, com oclusões parciais e ângulos ambíguos.

Também melhorou o cumprimento de restrições físicas: por exemplo, o sistema deve respeitar melhor proibições como "não pegar líquidos" ou "não levantar objetos com mais de 20 kg". Nos testes de reconhecimento de situações perigosas a partir de texto e vídeo, a família Gemini Robotics-ER melhorou o resultado do Gemini 3.0 Flash em 6% e 10%, respectivamente.

O próprio Google faz uma ressalva separada: o modelo não se destina a aplicações críticas para a segurança, como medicina, transporte e outros ambientes em que um erro possa causar lesões ou danos.

O sentido prático do lançamento é que o Google vem transformando o raciocínio incorporado de tema de pesquisa em camada de infraestrutura para a robótica. O Gemini Robotics-ER 1.6 não controla o hardware diretamente, mas dá aos robôs um nível superior de raciocínio mais forte, que pode ser combinado com modelos VLA, busca e funções externas. Para o setor, é também um sinal de que a interface entre modelos de linguagem e robôs está mais próxima do uso comercial. Se essa combinação se provar fora do laboratório, o mercado terá robôs que não apenas seguem um roteiro, mas interpretam o ambiente, verificam o resultado e leem instrumentos reais sem um humano no circuito.