英伟达在 CoRL 2026 大会正式推出 GR00T 2 机器人基础模型,英伟达机器人方向负责人 Jim Fan 给出很高评价,直呼太棒了,这款模型不再是过去 VLA 视觉语言动作架构,升级成世界动作模型 WAM,核心训练素材包含 40.27 万小时人类第一视角工作视频,搭配手持演示、机器人遥操作数据,解决了之前具身机器人缺真机交互轨迹、跨机器人本体迁移难的痛点。过去训练灵巧机器人,大多靠人工遥操作一点点录制动作轨迹,采集成本极高、任务覆盖少,换一款机械手、人形机器人就要重新采集数据,很难快速学会新操作;GR00T 2 把大量普通人干活的第一视角视频当成主要学习原料,模型一边预判接下来会发生什么画面、一边输出对应的机器人动作,也就是想象物理世界变化再执行动作,依靠 X-Adapt 跨本体迁移能力,从人类动作里学规律,再迁移到不同机器人硬件上。官方测试 50 项陌生任务,零样本平均成功率 40%,1 次示范就涨到 71%,5 次示范后可以达到 95%,同时还推出轻量化 GR00T 2 Turbo 版本,能直接跑在宇树 G1 人形机器人机载 Jetson Thor 上,端侧推理延迟 124ms,整套模型、数据集、采集硬件设计计划 12 月开源。下面整理 GR00T 2 详细信息。
一、英伟达 GR00T 2 关键信息清单
- 发布会议:CoRL 2026(奥斯汀机器人学习大会)
- 项目负责人:Jim Fan、朱玉可
- 模型全称:GR00T 2,世界动作模型 WAM,基于英伟达 Cosmos 搭建
- 训练数据:402730 小时人类第一视角视频、10184 小时 UMI 手持演示、23500 小时机器人遥操作数据
- 评测基准:50 项灵巧操作任务
- 任务成功率:零样本 40%、1 次示范 71%、5 次示范 95%
- 轻量化版本:GR00T 2 Turbo,适配 Jetson Thor
- 端侧推理延迟:124ms(宇树 G1 机载运行)
- 开源计划:2026 年 12 月开放权重、训练方案;目前 10 万小时 Human-1M 数据集已经在 Hugging Face 放出
- 演示任务:裁标签、安装显卡、划火柴、切香蕉、擦咖啡、收拾桌面、打包爆米花等双手精细操作
- 核心能力:X-Adapt 跨形态技能迁移、同时预测未来视频 + 机器人动作
二、GR00T 2 与上一代 GR00T(VLA 架构)对比表格
| 对比项 | GR00T 2(世界动作模型 WAM) | 初代 GR00T(VLA 视觉语言动作模型) |
|---|---|---|
| 预测目标 | 同步预测未来视频帧 + 机器人动作 | 根据图文输入直接输出动作 |
| 主力训练数据 | 大规模人类第一视角视频为主 | 以机器人遥操作轨迹数据为主 |
| 跨本体迁移 | X-Adapt,从人类视频迁移到多种机器人 | 迁移能力弱,对同型号机器人依赖高 |
| 数据成本 | 人类视频获取门槛更低,降低遥操作依赖 | 需要大量人工遥操作采集,成本昂贵 |
| 端侧版本 | GR00T 2 Turbo,低延迟部署 | 无专门轻量化端侧版本 |
| 泛化上限 | 对未知物理交互场景适配更强 | 语义理解强,物理时序预判偏弱 |
三、GR00T 2 用人类视频训练机器人的工作逻辑
- 海量人类视频预训练:模型从大量第一视角视频里学习物体受力、接触、滑动、装配这类物理常识,理解动作和环境变化之间的因果关系
- 多类动作数据对齐:搭配手持夹具演示、灵巧手遥操作数据,把人类动作映射到机器人可执行的控制空间
- 世界模型预判:模型先想象执行动作之后画面会怎么变化,再输出对应控制指令,而不是直接盲目执行动作
- X-Adapt 跨本体迁移:学到的操作规律不绑定某一款机械手,可迁移到灵巧手、双臂机械臂、人形机器人等不同硬件
- 少量示范微调:拿到 1~5 条对应任务演示样本,就能快速把通用物理常识收敛到指定操作任务上
【常见问题】
问题 1:Jim Fan 直呼太棒了的英伟达 GR00T 2,是不是用 40 万小时人类视频训练的?
回答 1:Jim Fan 直呼太棒了的英伟达 GR00T 2,训练素材核心就是 402730 小时人类第一视角工作视频,同时叠加手持 UMI 演示、机器人遥操作数据一起完成预训练。
问题 2:英伟达 GR00T 2 作为世界动作模型,和之前 VLA 机器人模型差别在哪?
回答 2:英伟达 GR00T 2 是世界动作模型,会同时预测未来视频画面和机器人动作,依靠 40 万小时人类视频学习物理规律;老款 VLA 模型只根据图文直接输出动作,缺少对物理时序变化的预判能力。
问题 3:英伟达 GR00T 2 的 X-Adapt 能力,怎么发挥 40 万小时人类视频的价值?
回答 3:英伟达 GR00T 2 依靠 X-Adapt 跨本体迁移能力,从 40 万小时人类视频学到操作常识,不用给新机器人采集大量遥操作数据,就能把人类的操作技能迁移到不同形态机器人上。
问题 4:英伟达 GR00T 2 什么时候开源,现在可以拿到哪些配套数据?
回答 4:英伟达 GR00T 2 计划在 12 月开放模型权重、训练方案;现在已经在 Hugging Face 放出 10 万小时 Human-1M 人类视频子集,也就是 GR00T 2 训练用到的数据集其中一部分。
【参考资料】
[2026-11-10](Jim Fan 直呼太棒了!英伟达 GR00T 2 来了,用 40 万小时人类视频训练)量子位
[2026-11-09](NVIDIA 发布 GR00T 2 新一代机器人世界动作模型,CoRL 大会亮相)英伟达官方博客
[2026-11-11](英伟达 GR00T 2:从人类视频里学习灵巧操作)36 氪
[2026-11-12](GR00T 2 技术白皮书:Scaling Robot Foundation Models)NVIDIA Research
[2026-11-12](GR00T2 40 万小时人类视频预训练,跨本体迁移大幅降低机器人数据门槛)具身开发者社区
【免责声明】
本文仅为英伟达 GR00T 2 公开技术资讯整理,不构成机器人采购、模型二次开发、项目落地建议;GR00T 2 真机长期稳定性、触觉控制短板、开源协议、商用限制,以英伟达官方白皮书、开源仓库最终说明为准。
