87%。这是 Gemini 4 Argon 在 ERQA 上跑出来的数字，而且是在"纯推理"条件下拿到的——不挂外部工具，不接专用机器人模块，不靠针对具身任务的额外微调。DeepMind 给它的定位是通用物理推理模型。注意措辞，不是"机器人模型"，也不是又一个多模态升级包，而是把"物理"两个字直接摆上台面。这个命名本身，比分数更值得读一遍。
87% 之外，"纯推理"三个字才扎眼
约束条件比分数更有信息量
榜单第一从来不缺。稀缺的是拿到第一时的约束条件。过去两年那些让人眼前一亮的机器人演示，背后几乎都藏着一条手工搭起来的流水线：感知一个模型，位姿估计一个模块，抓取规划再一个，最后由运动控制收尾。每个环节单拎出来跑基准，成绩都不难看；拼在一起，误差就开始互相叠加。Argon 这次把附加条件全部摘掉了，模型看着画面、读着问题，自己把答案推出来。在具身这个领域，这件事本身比 87% 更罕见。
工程负担只是换了个位置
"通用"这个词在机器人圈子里被用得太随意。Argon 想做的其实是把"理解"这一层收拢成单一模型。下游控制器拿到的判断会完整得多——不再只是"那里有个杯子"，而是杯子大概是空的、桌面有点斜、从左侧下手比右侧稳。这些结论以前散落在不同模块的中间变量里，靠工程师人肉调参去凑。现在它们被压进一次前向推理。控制问题不会因此消失，但接口干净了，这一层干净，整个栈的调试成本就跟着往下掉。
谁来定义"物理推理"的考卷
基准是技术工具，也是话语权。题目怎么设计、难在哪、给不给工具，这些选择决定了什么样的模型能拿高分。ERQA 把重心压在具身场景的空间与接触理解上，这个方向一旦被行业默认为标准，后来者就得按同一套尺子量自己。所以看这次发布，分数是一条线，基准设计是另一条线，后者往往影响更久。
语言模型迈不过去的那道坎
会说"杯子会碎"，不等于知道怎么放稳
文本语料里能学到的东西有上限。"玻璃杯掉在地上会碎"是一句常识，写进教科书，也考不倒任何模型。机器人要处理的是另一类问题：桌上一个半满的杯子，桌面歪了两度，从左边推，它会先滑还是先倒？这种判断在语料里找不到对应句子，只能从视觉和交互里长出来。ERQA 的题目朝这个方向压，压的正是语言模型最虚的那一块。
长尾的形状是组合爆炸
物理世界的长尾不是"没见过的东西很多"这么简单，它是维度相乘。物体形状、材质、质量分布、接触面摩擦、施力角度，每加一个变量，组合空间就翻一倍。人类靠几十年的手眼协调把这些维度压成了直觉，机器人没有这几十年的积累。通用物理推理要解的，本质上是怎么用一套参数去覆盖这个爆炸的组合空间，而不是给每种物体单独写一条规则。
数据这道题，没有标准答案
真机数据最贵，也最慢。一个团队一天攒下来的抓取轨迹，可能还不够覆盖一种新材质的几个角度。合成数据便宜、可控、可以随便加噪声，但仿真到现实的落差始终横在那里。DeepMind 在这条路上投入很深，Argon 的成绩某种程度上也是这套数据管线的一次交卷。不过官方没有披露训练数据的具体构成，这一层目前只能存疑，不能替它把话说完。
谁的日子要变
人形整机厂商：好消息和坏消息一起来的
好消息是理解层不再是卡脖子的地方。坏消息是同一句话——理解层不再是卡脖子的地方。当"看懂"变得没那么难，竞争差距就会挤到硬件、执行器、成本和量产能力上去。那些把故事主要讲在"我们模型很聪明"的公司，得重新找卖点，而且这次找的不是演示视频里的卖点。
仿真与数据管线，位置反而更稳
模型越通用，对数据多样性的胃口越大。通用意味着它要在没见过的材质、没见过的光照、没见过的堆叠方式上保持判断力，这背后是海量的合成场景和不断迭代的评测工具。做仿真环境、做数据管线的团队，生意不一定性感，但确定性比整机厂高。
同赛道的前沿模型，压力最直接
前沿模型之间的差距本来就在个位数百分点上晃。ERQA 87% 这个数字一旦被到处引用成事实标准，其他家只有两条路：跟进刷分，或者质疑基准设计。前者要投入，后者要说服力，两条都不轻松。
香槟先放回冰箱
基准分和真机表现之间，隔着一条沟
所有具身基准都有同一个弱点：静态。一道题给你一张图、一段描述，让模型回答接下来会发生什么，这个流程里没有标定误差，没有电机延迟，没有传感器噪声，也没有"抓空了以后怎么办"。一个在 ERQA 上拿 87% 的模型，第一次面对杂乱桌面上真实的机械臂，仍然可能手足无措。基准衡量的是判断力，真机考验的是判断力加上一整套工程的容错。
接下来该盯的三个信号
一是真机演示的时长和自主率。剪出来的几十秒片段说明不了什么，连续的、不切换人工接管的长任务才有说服力。二是第三方复现，尤其是独立实验室拿 Argon 去驱动非 Google 自家硬件，能不能复现出接近的表现。三是 ERQA 之后有没有更难、更公开的新评测被推出来——如果半年后大家还在引用同一个 87%，说明这波热度没有真正推动这个方向往前挪。前两个看诚意，第三个看这场发布到底是里程碑，还是一次漂亮的公关。
