2026 年 11 月 10 日——英伟达于 11 月 9 日在 CoRL 2026(机器人学习会议)上发布新一代机器人基础模型 GR00T 2。该模型采用世界行动模型(WAM)架构,将未来视频画面与机器人动作放在同一个扩散 Transformer 中联合预测,再执行预测出的动作;同一套检查点可运行在平行夹爪、灵巧手与人形机器人上。据英伟达官方研究页数据,在目标机器人未见过的 50 项任务上,GR00T 2 零样本平均成功率为 40%;每条任务提供 5 条演示后,平均成功率升至 95%。
GR00T 2 基于英伟达 Cosmos-Predict2.5-2B 构建,使用单个 20 亿参数的 Transformer 处理视频、机器人状态与动作 Token。与直接由观察和指令映射动作的视觉-语言-动作(VLA)模型不同,WAM 把视频作为世界演化的稠密表示,先预测场景将如何变化,再生成产生该变化的动作。英伟达称,这种联合建模让模型能从人类视频与异构机器人数据中学习物理规律,并把技能迁移到未练习过该任务的机器人上。
1. 评测数据与能力边界
据英伟达研究页与白皮书,评测在搭载两只 Sharpa 灵巧手的双臂机器人 Dexter 上进行,50 项任务均未出现在该机器人的训练数据中,只出现在人类视频或其他机器人的数据里。零样本条件下,GR00T 2 在 50 项任务中的 40 项至少成功一次,平均单次试验成功率为 40%;每条任务加入 1 条遥操作演示后升至 71%,加入 5 条(合计不足 3 分钟机器人数据)后升至 95%,其中 37 项任务每次试验均成功。每次适配是在单张 RTX 5090 上约 30 分钟的 LoRA 微调。
白皮书同时注明,这 50 项任务是从“5 条演示可达到至少 80% 成功率”的任务中挑选的,因此 95% 的平均值部分由任务选择造成。官方将零样本失败主要归因于执行精度:模型多数情况下步骤与顺序正确,但在某一个动作上不够精确。
跨具身迁移是此次发布重点。官方给出的案例包括:仅用人类佩戴头戴与腕部相机拍摄的演示,GR00T 2 在 Dexter 上完成滤纸安装等化学实验室任务,成功率 65%;仅用手持 UMI 夹爪演示,YAM 机械臂完成玩具卡车装配,成功率 60%;仅用 DexUMI 外骨骼手套演示,机器人手完成香蕉酸奶早餐与划火柴点灯等双手任务。后训练后,GR00T 2 在 Dexter 上拆装 GB300 服务器内存条的成功率为 85%,玩具卡车装配为 65%。在真实机器人上做强化学习后,三项接触密集插入任务的成功率升至 88%–96%。推理模型通过 WAM API 调用时,YAM 的视觉指令遵循率从 40% 提升到 92%,三款玩具的连续装配每款完成至少 97/100 次。
2. GR00T 2 Turbo:端侧实时全身控制
英伟达同时发布轻量版 GR00T 2 Turbo。Turbo 保留 20 亿参数的视频-动作联合 Transformer,改用压缩率更高的视频编码器以减少视觉 Token,从而把推理搬到机器人本体。官方数据显示,Turbo 在 Unitree G1 自带的 Jetson Thor 上每次预测耗时 124 毫秒,在 RTX 5090 上为 38 毫秒;它约每秒规划一次 1.6 秒的全身动作 Token 块,再由 SONIC 全身控制器以 50 Hz 转换为关节目标。
在 G1 实机任务中,Turbo 完成 48/48 次爆米花盛取与递送,桌面多物体清理成功率 93.3%,全身参与的洒落物清理成功率 46.7%,后两项各测试 30 次。作为对照,GR00T 1.7 在三项任务上的成功率分别为 83.3%、73.3% 和 43.3%。
3. 开放时间与合作方
英伟达将 GR00T 2 定位为开放的前沿世界行动模型,但官方研究页标注代码“Available in December”,即预计 2026 年 12 月开放。据 Humanoids Daily 对英伟达机器人研究负责人 Jim Fan 演讲的报道,GR00T 2 与 GR00T 2 Turbo 的权重以及跨具身迁移训练配方也将在 12 月开放;官方研究页尚未列出权重许可证条款。
已开放的材料包括 100,000 小时第一人称人类视频数据集 Human-1M-100K(CC BY 4.0)与 SimFoundry 1.0;同批公布的还有 ASPIRE Agent 框架、Flora 视频标注模型,以及 UMI 夹爪、DexUMI 外骨骼与柔性机器人颈部的硬件设计。
英伟达称,GR00T 2 目前在 RoboCasa365、RoboLab、RoboDojo 与 MolmoSpaces 四项基准中,于 VLA 与世界行动模型两个类别均位列前三,并获得多项榜首。早期使用方包括富士康(服务器制造自动化)、西门子(工业场景评估)、Nexuni(衣物处理)与 MicroAGI(用 YAM 机械臂完成以太网线更换)。同场发布的还有 Isaac Lab 3.0 仿真框架、DexBench 与 VABAR 两项开放基准。
4. 数据与规格
| 项目 | 数据 |
|---|---|
| 发布时间 | 2026 年 11 月 9 日(CoRL 2026) |
| 模型架构 | 世界行动模型(WAM),基于 Cosmos-Predict2.5-2B,单个 20 亿参数扩散 Transformer |
| 支持形态 | 平行夹爪(YAM、Franka)、灵巧手(Sharpa、Wuji)、人形机器人(Unitree G1) |
| 预训练数据 | 402,730 小时第一人称人类视频;10,184 小时 UMI 夹爪演示(2,897 项任务);23,500 小时机器人遥操作 |
| 零样本成功率 | 40%(50 项任务中 40 项至少成功一次) |
| 1 条演示 / 5 条演示 | 71% / 95%(37/50 项任务全部成功) |
| 适配成本 | 每条任务 5 条演示合计不足 3 分钟,单张 RTX 5090 约 30 分钟 LoRA 微调 |
| Turbo 推理延迟 | Jetson Thor 124 毫秒/次;RTX 5090 38 毫秒/次 |
| 全身控制 | 1.6 秒动作块约每秒规划一次,SONIC 控制器 50 Hz |
| 开放时间 | 代码与权重预计 2026 年 12 月,许可证尚未公布 |
数据来源:NVIDIA 官方研究页、GR00T 2 白皮书、NVIDIA CoRL 2026 博客与 Humanoids Daily 报道。
评论