gemini-robotics-sdk
gemini-robotics-sdk（又名 Safari SDK）是谷歌 DeepMind 专为 Gemini 机器人模型系列打造的全生命周期开发工具包。它旨在解决机器人开发者在模型应用过程中面临的流程碎片化难题，提供从获取模型检查点、本地部署服务、仿真与真机评估，到数据上传、模型微调及成果下载的一站式解决方案。
这套工具特别适合机器人领域的研究人员、算法工程师及高级开发者使用，尤其是已加入"Gemini Robotics 可信测试员计划”的专业用户。通过内置的 Flywheel 命令行界面，用户可以轻松执行训练任务、管理数据统计、调度模型服务以及下载训练产物，极大简化了复杂的后端交互流程。此外，SDK 还集成了完善的智能体（Agent）框架和日志记录库，支持包括 Aloha 在内的多种机器人平台的评估示例，帮助团队高效构建交互式机器人应用。需要注意的是，目前大部分核心功能需获得官方授权方可使用，且该项目属于非官方正式支持产品，更适合具备一定技术基础的专业人士探索前沿机器人技术。
使用场景
某智能仓储团队正试图将通用大模型迁移到自家分拣机器人上，以实现更灵活的货物识别与抓取。
没有 gemini-robotics-sdk 时
- 环境配置繁琐：开发者需手动解决复杂的 Python 依赖冲突，缺乏统一的版本锁定机制，导致不同开发者的本地环境难以复现。
- 数据流转割裂：机器人采集的训练数据上传、清洗及统计需编写大量自定义脚本，缺乏标准化接口，数据准备周期长达数周。
- 模型部署困难：从获取预训练权重到在真机或仿真器中启动服务，需自行搭建推理后端，调试过程极易出错且耗时。
- 微调流程黑盒：缺乏官方支持的工具链来发起微调任务或下载优化后的检查点，算法迭代效率极低。
使用 gemini-robotics-sdk 后
- 一键环境就绪：通过
pip install safari_sdk及配套的requirements.txt，团队可瞬间构建出与内部测试完全一致的开发环境。 - 数据管理自动化：利用内置的
flywheel-cli upload_data和data_stats命令，数据上传与质量分析变得标准化且透明，准备时间缩短至几天。 - 全链路模型托管：直接使用
serve命令即可基于训练任务 ID 启动模型服务，无缝衔接仿真评估与真机部署，大幅降低运维门槛。 - 闭环迭代加速：通过
train和download命令轻松发起微调并获取最新权重，实现了从数据反馈到模型更新的快速闭环。
gemini-robotics-sdk 将原本碎片化、高门槛的机器人模型开发流程整合为统一的生命周期工具链，让团队能专注于核心算法创新而非基础设施搭建。
运行环境要求
- 未说明
未说明
未说明
快速开始
Safari SDK：适用于 Google DeepMind Gemini Robotics 模型的 SDK 🦓🦄🐘🐒🐍
免责声明
本项目并非 Google 官方支持的产品。
Safari SDK 提供了使用 Gemini Robotics 模型所需的全生命周期工具链，包括但不限于访问检查点、模型推理服务、在机器人和仿真环境中评估模型、上传数据、微调模型、下载微调后的检查点等。大多数功能需要您加入 Gemini Robotics 可信测试者计划方可使用。详情请参阅 Gemini Robotics 的主页。
源代码
源代码可在 GitHub 上找到。
注意：除非另有说明，以下命令均假定您的工作目录为仓库克隆的根目录（即包含 pyproject.toml 文件的目录）。
安装 SDK
安装 Pip 依赖
pyproject.toml 文件指定了 Safari SDK 的依赖项，其中包括部分包的允许版本范围。而 requirements.txt 文件则列出了这些依赖的精确版本及校验和；内部单元测试正是基于这些版本进行的。建议在安装 SDK 之前先将这些依赖安装到虚拟环境中，以避免因上游包更新而导致的安装失败：
pip install -r requirements.txt
更新 Pip 依赖
我们提供了一个脚本，用于将 requirements.txt 文件更新为满足 pyproject.toml 中约束条件的最新依赖版本。这样可以在特定时间点进行更新（而不是每次依赖被发布到 PyPI 时都更新），并在推送给所有用户之前进行独立测试。运行该脚本的命令如下：
scripts/update_pip_dependencies.sh
从 PyPI 安装
Safari SDK 可以通过 PyPI 轻松安装：
pip install safari_sdk
从源码安装
您也可以直接从源码安装 Safari SDK：
pip install -e .[dev]
构建 Wheel 包
要构建 Python Wheel 包，请在仓库根目录下运行以下命令：
scripts/build_wheel.sh
该脚本将为 Safari SDK 构建一个可使用 pip 安装的 Wheel 包，并将其文件路径输出到标准输出。
模型支持
Safari SDK 致力于支持 Gemini Robotics 系列中的所有模型。
可信测试者自 SDK v2.4.1 起即可通过 SDK 访问 Gemini Robotics On Device 模型。
库
与机器人数据记录相关的库位于 safari/logging。
与模型推理及与模型服务器交互相关的库位于 safari/model。
用于访问模型检查点、上传数据以及请求模型微调的相关库和二进制文件位于 safari/flywheel。
示例代码，包括机器人和仿真环境中的模型评估，位于 examples/ 目录下。针对 Aloha 平台的专用评估代码则位于 examples/aloha。
Flywheel CLI
Flywheel CLI 是一个便捷的命令行工具，在安装完 pip 包后即可使用。它提供了一组用于与 Gemini Robotics 平台交互的命令，例如训练模型、部署模型、管理数据以及下载制品等。
使用 CLI 的语法如下：
flywheel-cli <command> [--flags] [--flags]
支持的命令包括：
train：训练模型。需指定任务 ID、开始日期和结束日期。serve：部署模型。需指定训练作业 ID。list：列出可用的训练作业。list_serve：列出可用的部署作业。data_stats：显示可用于训练的数据统计信息。download：从训练作业或指定的制品 ID 下载文件。upload_data：将数据上传至数据摄取服务。version：显示 SDK 的版本。help：显示包含所有可用命令和标志的帮助信息。
代理框架
Safari SDK 包含一个全面的代理框架，用于构建由 Gemini 模型驱动的交互式机器人代理。更多信息请观看 YouTube 视频：Gemini Robotics 1.5：利用代理能力。该框架位于 safari/agent/framework，提供一种模块化架构，用于创建能够感知环境、规划任务并控制机器人硬件的代理。
核心组件
代理（safari/agent/framework/agents/）：基础代理类，与 Gemini Live API 集成，提供对话交互和工具使用能力。
具身化接口（safari/agent/framework/embodiments/）：与具体机器人硬件对接的接口（例如 Aloha 机器人）。每个具身化接口都提供了机器人控制相关的工具。
工具（safari/agent/framework/tools/）：代理可使用的模块化能力，包括：
- 执行指令
- 成功检测
- 场景描述
- 等等。
事件总线（safari/agent/framework/event_bus/）：用于代理组件之间通信的异步发布-订阅系统。
配置（safari/agent/framework/config.py）：基于 AgentFrameworkConfig 的集中式配置管理，支持程序化配置和基于命令行参数的设置。
Aloha 代理示例
examples/aloha/agent/ 目录中包含了针对 Aloha 机器人平台的代理实现。
主要示例是 simple_agent.py，它提供了一个基于自然语言指令控制 Aloha 机器人的对话型代理。
要运行 Aloha 代理，可以使用提供的 run.py 脚本：
python examples/aloha/agent/run.py --agent_name=simple_agent
Aloha 代理展示了基于视觉的机器人控制、多摄像头感知以及与 Gemini 模型的对话交互能力。
此外，您也可以使用代理框架自行构建代理。
目前代码库仍在积极开发中。我们将为 Gemini Robotics 的可信测试者更新最新的用户指南。
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。