Argon 可应用于机器人生命周期的所有环节，从视频或草图重建仿真环境、生成控制代码、标注数据到迭代改进策略，已演示控制 Boston Dynamics Spot 四足机器人、76 自由度双手人形机器人完成踩踏板、折纸、投掷等任务。
ERQA 基准测试评估模型在 3D 环境中理解和解决物理、空间问题的能力。官方博客称 Argon 在物理理解、代码生成和视觉语义推理方面实现跨越式进步。
直接控制多类型机器人硬件
Argon 控制 Boston Dynamics Spot 四足机器人学会踩踏板垃圾桶扔易拉罐。Spot 的腿部有 12 自由度，配备 6 自由度手臂。Argon 先创建踏板垃圾桶的 MuJoCo 数字孪生体练习动作，再在物理硬件上执行。控制过程中使用视觉坐标系统和动作原语，手腕相机配备投影的 2 厘米世界坐标校准网格。
在人形机器人上，Argon 控制 76 自由度双手人形机器人，机器人身体有 32 自由度，配备两个 22 自由度五指灵巧手，完成将正方形纸折成折纸狐狸的任务，总时长 136 秒，涉及 6 个连续语义子任务和 17 个接触级原子操作。
投掷任务中，Argon 综合 50 赫兹全身投掷轨迹，共 140 步、2.80 秒，人形机器人保持直立平衡，骨盆漂移小于 3 厘米，击倒全部 6 个目标箱子。
从多种输入重建物理仿真环境
Argon 可从机器人相机视频、第一人称人类视频或手绘草图重建物理校准的仿真孪生体。重建过程中，Argon 使用迭代视觉推理循环调整资产和场景，使仿真中的视觉和接触事件与真实记录数据匹配，用复合凸分解网格替换粗糙边界框。
在双臂 Franka FR3 的 MuJoCo 环境中，Argon 解决 12 球平衡秤谜题，这 12 个台球视觉上完全相同，Argon 在 3 次称重内将异常球分离到重球托盘或轻球托盘。
视频生成模型的闭环引导
Argon 在闭环中引导视频世界模型。演示中，Argon 写出带时间戳的动作提示，引导 33 步视频生成，在桌面上拼出 A-R-G-O-N 字母。每个命令必须保持在 0.55 弧度范围内，手臂关节和 0.65 弧度范围内，手部关节，控制人形机器人 7 自由度手臂和 22 自由度手的关节。
数据标注与行为改进
Argon 提供多模态事后标注功能，能识别不稳定的抓握和失误等糟糕的操作片段。在行为克隆训练中，这些片段的权重被降低到 0.15 倍至 0.25 倍。
Argon 将人类手部轨迹重定向到 76 自由度双手人形机器人上，综合平衡的全身和五指投掷轨迹。仿真在 MuJoCo 中以 500 赫兹运行，时间步长为 0.002 秒。物体提升验证的最小高度为 2 厘米。
官方博客展示了 Argon 导出的 Blender 4.5 Cycles 渲染，支持通过仿真进行动作改进和在硬件上进行迭代自我改进。博客未说明 Argon 的训练数据规模、推理延迟或商业可用性计划。