Google DeepMind推出多模态智能体SIMA2，依托Gemini2.5Flash-lite模型，任务成功率较SIMA1提高约一倍，可在未见过的新环境中完成复杂指令，并具备自我改进能力。该版本目前以研究预览形式发布，旨在验证迈向通用机器人与AGI所需的高层级世界理解与推理能力。

SIMA2继续以数百小时游戏视频进行预训练，但首次引入自生成数据循环：进入新场景后，系统调用独立Gemini模型批量生成任务，再由内部奖励模型打分，筛选高质量轨迹用于持续微调，无需额外人工标注即可提升表现。研究团队称，该机制使智能体在《No Man’s Sky》等测试环境中能通过阅读环境文本、识别颜色和符号，自主执行“前往红色房屋”或“砍伐树木”等指令，甚至可理解emoji组合命令。

DeepMind在演示中结合生成式世界模型Genie，为SIMA2即时生成逼真户外场景，智能体可准确识别长椅、树木、蝴蝶等对象并交互。高级研究科学家Jane Wang表示，这种“看懂场景→推断目标→规划动作”的闭环，正是把虚拟环境能力迁移至真实机器人所必需的高层行为模块。

不过，SIMA2目前聚焦于高层决策，不涉及机械关节、轮子等底层控制。DeepMind同期训练的机器人基础模型采用不同技术路线，两者如何融合尚未确定。团队拒绝透露正式版发布时间，仅称希望通过预览吸引外部合作，共同探索虚拟智能体向实体机器人迁移的可行路径。