Googleのロボティクス向けマルチモーダルプレビューモデル。テキスト、画像、ビデオ、オーディオ入力をサポートし、最大65,536の出力トークン。
google/gemini-robotics-er-1.6-previewは、ロボット工学と身体化推論（embodied reasoning）に最適化されたGoogleのGeminiファミリーのプレビューモデルです。テキスト、画像、動画、音声の入力を処理できるマルチモーダルモデルです。名前の「er」は「embodied…
このモデルはロボティクス関連のマルチモーダル推論向けに設計されています。画像や動画を解釈して物体、環境、人間の行動を識別できます。音声コマンドを処理し、音声言語から情報を抽出することも可能です。これらのモダリティを組み合わせることで、ロボットの操作、ナビゲーション、またはインタラクションのための指示を生成できます。例えば、キッチンの動画と「カウンターからリンゴを取ってきて」という音声リクエストが与えられた場合、モデルは一連のアクションを出力できます。大きな出力コンテキストにより、ロボットコントローラ向けの詳細な計画やコードを生成できます。なお、このプレビューバージョンでは、これらのタスクにおけるモデルの性能はまだ公開ベンチマークされていません。
もしアプリケーションにマルチモーダル入力が不要な場合（例：テキストのみを使用する場合）、より小規模なテキスト専用モデルの方がコスト効率が高くなります。robotics-erモデルは、多くの汎用モデルと比較して入力トークンの価格が比較的高く（100万トークンあたり$1.00）設定されています。視覚や音声のコンテキストを伴わない単純な質問応答やテキスト生成には、OrcaRouterを通じて利用可能なGemini 1.5 Flashやより小規模なオープンソースモデルなど、軽量なモデルの使用を検討してください。また、最大出力65,536トークンが必要ない場合、より小さい出力コンテキストを持つモデルを使用することで、レイテンシとコストを低減できる可能性があります。マルチモーダル機能がその価格に見合うかどうかを、ユースケースに照らして評価してください。
65,536トークンの出力制限は、長尺コンテンツの生成において特に価値があります。例えば、ロボット動作シーケンス（ROSや制御ライブラリを使用したPythonコードなど）、3D再構築のための詳細な環境記述、あるいは広範な推論を必要とするマルチステップタスク計画などです。また、文脈内学習にも使用でき、単一のプロンプト内に多くの例を与え、包括的な出力を期待することができます。ロボット研究においては、これにより多くの可能性のある不測の事態をカバーする長期計画の生成が可能になります。ただし、出力が長くなるとコストとレイテンシが増加するため、より短い応答で十分かどうかを検討してください。
音声および動画の入力は、マルチモーダルプロンプトの一部として処理されます。動画を送信すると、モデルはおそらくそれをフレームシーケンスとして扱うか、動画理解エンコーダを使用します（正確な方法はGoogleの内部情報です）。音声は、オーディオファイルへのURLとして含めることができます。モデルは音声コマンドを書き起こしまたは理解し、それに応じてテキスト応答を生成できます。音声および動画処理の品質は、Google's Gemini APIがサポートするサンプリングと形式に依存します。サポートされるファイルタイプと最大時間については、プロバイダのドキュメントを参照してください。OrcaRouterは、入力をOpenAI互換形式で単に中継します。
プレビューリリースとして、Googleはgemini-robotics-er-1.6-previewモデルの具体的なベンチマークスコアを公開していません。一般的なGemini 1.6モデルはマルチモーダルタスクで強力なパフォーマンスを示していますが、このロボティクス特化型のバリアントは異なる強みを持つ可能性があります。ユーザーは、このモデルに依存する前に、自身のドメイン固有のタスクでパフォーマンスを評価する必要があります。OrcaRouterは、プロバイダーが公開する以上のベンチマーク数値を提供しません。実世界での信頼性を評価するには、自身のデータを用いてA/Bテストを実施し、レイテンシ、精度、コストを他のモデルと比較してください。
google/gemini-robotics-er-1.6-preview のレイテンシーはプロバイダーによって指定されていません。一般的に、動画や音声を処理するマルチモーダルモデルは、エンコードのオーバーヘッドにより、テキストのみのモデルよりも高いレイテンシーを示す傾向があります。さらに、大きな出力コンテキストは、特に長い生成において応答時間を増加させる可能性があります。実際のレイテンシーは、リクエストサイズ、複雑さ、およびGoogleのインフラストラクチャとOrcaRouterのプロキシの両方におけるサーバー負荷に依存します。最適なパフォーマンスを得るには、不要な入力データを最小限に抑え、適切なmax_tokensを設定してください。OrcaRouterのAPIは標準的なタイミングヘッダーを返します。それらを監視することで、ユースケースに応じた実測データを得ることができます。
モデルの主な強みは、複数の入力モダリティ（テキスト、画像、ビデオ、オーディオ）をサポートし、最大65,536トークンという非常に大きな出力コンテキストを備えている点です。これにより、視覚情報と聴覚情報の両方を理解し、詳細でリッチな計画を生成する必要がある複雑なロボティクスタスクに適しています。プレビューの性質から、これは具現化推論のために微調整された最初のGeminiモデルの一つであることが示唆されます。もう一つの強みは、OrcaRouterのOpenAI互換APIを介した簡単なアクセスであり、OpenAIのインターフェースに精通したチームにとって統合の障壁を低減します。
プレビューモデルとして、その安定性とパフォーマンスは本番対応モデルに及ばない可能性があります。公開されたベンチマークがないため、標準的なロボティクスタスクにおける精度は不明です。確立されたモデルと比較して、故障率が高かったり、予期しない動作が発生する可能性があります。このモデルは画像や音声出力を生成せず、テキストのみを出力します。出力トークンあたりの価格は、多くのモデルと比較して比較的高めです（100万トークンあたり5.00ドル）。さらに、大きな出力コンテキストにより、必ずしも必要ではない冗長な応答が促進される可能性があります。ユーザーは、本モデルを本格的なアプリケーションに採用する前に、十分にプロトタイピングを行う必要があります。
Billing for google/gemini-robotics-er-1.6-preview on OrcaRouterはシンプルです。入力トークン100万トークンあたり$1.00、出力トークン100万トークンあたり$5.00です。入力トークンと出力トークンはどちらもGoogleのトークン化方式に従ってカウントされます。これは他のモデルとは異なる場合があります。OrcaRouterはプロバイダーの正確なレートを請求し、マークアップは一切ありません。APIプロキシサービスに追加料金は発生しません。コストはリクエストとレスポンスで処理されたトークンの総数に基づきます（マルチモーダル入力トークン、例えば画像パッチがトークンとしてカウントされる場合があります）。コストを追跡するには、APIレスポンスで返される使用量を常に確認してください。
出力トークンのコスト（100万トークンあたり$5.00）は、入力コスト（100万トークンあたり$1.00）よりも大幅に高くなっています。これは、モデルに長い応答を生成させると、長い入力を提供するよりもはるかにコストが増加することを意味します。出力長を短く保てるユースケース（例：1文のコマンド）では、コストは許容範囲かもしれません。しかし、65,536トークンの出力コンテキストを最大限活用する場合、1回のリクエストで出力だけで最大$0.33（65kトークン×$5/100万）かかる可能性があります。これを、出力価格が低いモデルやコンテキストウィンドウが小さいモデルと比較してください。また、マルチモーダル入力は、多くのトークンを必要とする場合（例えば、高解像度の画像や長い動画）に高額になる可能性があります。可能な場合は、トークン圧縮や低解像度の使用を検討してください。
OrcaRouterは現在、プロバイダレートをゼロマークアップで適用しています。パススループロキシであるため、繰り返されるプロンプトプレフィックスのコストを削減する組み込みキャッシュはありません。ただし、アプリケーションレベルでキャッシュを実装することは可能です。同一の入力コンテキスト（例：静的なシステムプロンプトや参照画像）を再利用する場合、モデルの応答を保存して再利用し、API呼び出しの繰り返しを避けることができます。割引やボリューム価格は、OrcaRouterのエンタープライズプランを通じて利用できる場合があります。詳細はOrcaRouterチームにお問い合わせください。特別な契約がない限り、すべての利用には標準価格が適用されます。
標準のOpenAIチャット補完エンドポイントを使用してください。'model'パラメータを'google/gemini-robotics-er-1.6-preview'に設定してください。ベースURLはhttps://api.orcarouter.ai/v1です。AuthorizationヘッダーにあなたのOrcaRouter APIキーを含めてください。テキストのみのメッセージの場合、リクエストボディはOpenAI ChatCompletionリクエストと同一です: { "model": "google/gemini-robotics-er-1.6-preview", "messages": [{"role": "user", "content": "Your message"}], "max_tokens": 2000 }。マルチモーダル入力の場合は、プロバイダースキーマに従って、コンテンツをtypeとdataフィールドを持つ配列として構成してください。OrcaRouterはリクエストを内部的にGoogleのフォーマットに変換します。
APIは、OpenAIの/v1/chat/completionsエンドポイントと同じパラメータ（model、messages、max_tokens（最大65536）、temperature（0〜2、デフォルト1）、top_p（0〜1、デフォルト1）、frequency_penalty、presence_penalty、stop sequences、stream（ブール値）、logprobs、user）をサポートしています。すべてのパラメータがGoogleのバックエンドで有効とは限らず、例えばfrequency_penaltyやpresence_penaltyの効果は限定的な場合があります。ストリーミングの場合、'stream: true'を設定すると、トークンごとのレスポンスを受け取れます。レスポンス形式はOpenAIと同様で、choices、usage（prompt_tokens、completion_tokens、total_tokens）、idを含みます。モデル固有のパラメータオーバーライドについては、OrcaRouterのドキュメントを確認してください。
OrcaRouterはOpenAI互換のAPIを提供しているため、移行は通常、ベースURLとAPIキーを変更するだけです。'https://api.openai.com/v1' を 'https://api.orcarouter.ai/v1' に置き換え、モデルを 'google/gemini-robotics-er-1.6-preview' に設定します。アプリがOpenAI Pythonクライアントを使用している場合は、base_urlとapi_keyを更新してください。マルチモーダル入力の場合、OpenAIの画像フォーマットは 'image_url' を使用しますが、Googleのフォーマットでは異なるフィールド名（例：'video_url'）が必要になる場合があることに注意してください。OrcaRouterのAPIはOpenAIのマルチモーダルスキーマのスーパーセットを受け入れます。正確な構造については、そのドキュメントを参照してください。複雑なロジックを移行する前に、簡単なリクエストでテストしてください。
Gemini 1.5 Proは、パフォーマンスとコストのバランスに優れた汎用マルチモーダルモデルです。その名前からもわかるように、robotics-erプレビューモデルはロボティクスと具体化推論に特化しています。Gemini 1.5 Proは通常最大8,192トークンの出力をサポートしますが、このモデルは最大65,536トークンの出力を提供します。料金体系は異なります。Gemini 1.5 Proは入力100万トークンあたり約$1.25、出力100万トークンあたり約$5.00です。つまり、このモデルは入力でわずかに安く、出力では同じです。ただし、プレビューモデルは一般的な知識が少なく、物理世界の理解に重点を置いている可能性があります。ベンチマーク比較は利用できません。ユーザーは自身のタスクでテストする必要があります。
GPT-4oは、OpenAIのマルチモーダルモデルであり、テキスト、画像、音声（非ビデオ）をサポートし、出力トークン制限は16,384です。robotics-erモデルは、はるかに大きな出力コンテキスト（65,536）を持ち、GPT-4oがネイティブでサポートしていないビデオ入力を明示的にサポートしています。価格の違い：GPT-4oは標準使用の場合、入力100万トークンあたり$2.50、出力100万トークンあたり$10.00で、roboticsモデルの方がトークンあたりのコストが低くなっています。ただし、GPT-4oは広範なベンチマークを備えた成熟したプロダクションモデルですが、このモデルはプレビュー版です。ロボティクス固有のタスクでは、Googleモデルはより優れたパフォーマンスを発揮するように設計されている可能性がありますが、公開ベンチマークがないため、これは推測に過ぎません。
Llama 3モデルはテキストのみ（または近いうちにマルチモーダル）ですが、セルフホスティングが可能で、スケールに応じて低コストになります。robotics-erモデルは、標準でネイティブのマルチモーダルサポート（動画や音声を含む）を提供しますが、オープンソースの代替品では追加コンポーネントなしでは実現できない場合があります。プレビューモデルのトークンごとの料金は大量利用には高額になる可能性がある一方、自社ハードウェアで実行するオープンソースモデルは予測可能なインフラコストがかかります。ただし、Googleモデルはクラウドスケールのインフラとアップデートの恩恵を受けられます。プロトタイピングでは、プレビューモデルのAPI経由の使いやすさがコストを上回る可能性があります。開発時間を含む総所有コストを評価してください。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="google/gemini-robotics-er-1.6-preview",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)max_tokensresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_pinclude_reasoningreasoning| 入力 / 1M tokens | $1.00 |
| 出力 / 1M tokens | $5.00 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
今週の開発者の声
GET /api/public/models/google/gemini-robotics-er-1.6-preview開く @misc{orcarouter_gemini_robotics_er_1_6_preview,
title = {google/gemini-robotics-er-1.6-preview API},
author = {google},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-robotics-er-1.6-preview}
}google. (n.d.). google/gemini-robotics-er-1.6-preview API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-robotics-er-1.6-preview