产品简介
GR00T 2 是 NVIDIA GEAR 实验室在 2026 年 11 月 10 日发布的研究成果，定位是机器人基础模型。它的前代 GR00T 1 属于视觉语言动作模型，看画面、听指令、直接输出电机动作。这一代换成世界动作模型（WAM），基于视频与动作的扩散 Transformer，在给出下一步动作的同时，用扩散生成一小段未来画面，再根据这段预测反推控制指令。
这套做法的意义在于训练数据的结构。机器人数据最贵的一环是遥操作，人得反复远程操控机器把动作录下来，一份数据只对一种机型有效。GR00T 2 的预训练混合了三类来源：402,730 小时人类头戴相机拍摄的第一人称视频，10,184 小时手持 UMI 夹爪演示，覆盖 2,897 个任务，以及 23,500 小时遥操作数据。其中遥操作按机型分布得很散，YAM 15,146 小时，ABC-130k 3,591 小时，Sharpa 手 2,890 小时，Wuji 手配 Tianji 臂 1,256 小时，DROID 的 Franka 350 小时，宇树 G1 275 小时。
人类视频的规模化效果，官方在 72 个 Dexter 任务上做了对照：人类视频占比从 0% 拉到 100%，视频推演里的任务进度从 64% 提到 77%，真机上从 50% 提到 70%。
实际能力上，五指手的机器人能点蜡烛、切香蕉、把包裹甩上传送带，这些任务事先没有专门遥操作过，成功率按任务不同落在 10% 到 80% 之间。少样本适配的门槛压得很低：50 个原本表现还行的任务里，补不到三分钟的常规数据，成功率从 40% 拉到 95%；官方还提到 30 分钟 LoRA 微调、单张 RTX 5090 就够。
长装配是另一条线，做法是把 GR00T 2 和更高层的语言模型配合，后者把任务拆成步骤、在画面里标出抓取点、零件掉了就启动补救流程。零件乱放在桌上拼玩具车，这套组合在至少 97% 的试验里拼成功，去掉补救模型和额外微调只有 23%。人形机型另有一个精简版 GR00T 2 Turbo，2B 参数，RTX 5090 上推理延迟 38 毫秒，宇树 G1 板载的 Jetson Thor 上 124 毫秒，全身运动由 SONIC 控制器执行，规划一次 1.6 秒的动作 token，大约每秒一次，底层以 50Hz 跑。
当前阶段的边界也写在报告里：模型还没有直接接入触觉传感器数据，对半拧进去的螺丝这类细微状态会漏判；高层语言模型会带来等待，分垃圾测试里机器人约三分之一的时间在空等，平均每次要等七秒多才算完下一步。
开放情况需要单独说清。模型权重、许可证和 SDK 都没有发布，公开的是技术白皮书、Hugging Face 上的 Human-1M-100K 数据集（十万小时）与数据集浏览器、GEAR UMI 与 DexUMI 的开源硬件设计，以及 SimFoundry 仿真工具。模型可以通过 WAM API 由上层推理模型当作工具调用，但权重什么时候放、以什么许可放，官方没有承诺。
核心功能
- 世界动作模型：同时预测下一步动作与随后一小段画面，用扩散生成未来视频来判断动作是否合理，再反推控制指令，取代了前代直接回归电机动作的做法。
- 跨形态迁移：视频预测让同一套动作序列可以在平行夹爪、灵巧手与人形之间换算，官方按 Dexter、YAM、G1 等机型分别引出电机指令。
- 以人类视频为主的数据配比：402,730 小时第一人称人类视频打底，配 10,184 小时 UMI 夹爪演示与 23,500 小时遥操作，遥操作从主粮变成补充。
- 少样本适配：每任务 5 次演示、不到 3 分钟机器人数据，可把成功率从 40% 拉到 95%；官方还给出 30 分钟 LoRA 微调、单张 RTX 5090 的配置。
- GR00T 2 Turbo：2B 参数的精简版，减少画面细节处理换取速度，RTX 5090 上 38 毫秒，宇树 G1 板载 Jetson Thor 上 124 毫秒，可脱离外部算力运行。
- 配合高层语言模型做长装配：由语言模型拆解步骤、在画面里标注抓取点并在零件掉落时启动补救，乱序零件拼玩具车的成功率从 23% 提到至少 97%。
- SONIC 全身控制：为双足机型规划 1.6 秒的动作 token，约每秒规划一次，底层控制器以 50Hz 执行，兼顾规划跨度与反应速度。
- WAM API：模型可作为工具被上层智能体调用，适合把机器人动作接进已有的任务编排流程。
- 开放数据集与硬件设计：Human-1M-100K 十万小时数据集托管在 Hugging Face 并配数据集浏览器，GEAR UMI 与 DexUMI 的硬件设计开源，另有 SimFoundry 仿真工具。
适合谁用
以下类型的用户会特别受益于 NVIDIA GR00T 2：
- 研究机构想在自有机械臂上验证跨形态动作迁移，用人类视频替代大部分遥操作采集。
- 工厂或仓储场景做长序列装配，需要上层模型拆步骤、下层模型管抓取。
- 人形机器人厂商评估板载推理方案，关注 Jetson Thor 上的延迟与功耗。
- 数据团队想复用公开的第一人称人类视频数据集，减少自采成本。
- 做机器人仿真与合成数据的研究者，需要与真实机型对齐的动作表示。
优点亮点
- 用人类视频替代大部分遥操作，数据成本结构比前代轻。
- 跨形态迁移有实测对照，人类视频占比拉满后真机进度提升 20 个百分点。
- 少样本适配门槛低，单卡半小时微调即可上手机型。
- Turbo 版本能板载运行，为不便外接算力的机型留了方案。
- 数据集与硬件设计开源，研究与复现不依赖内部资源。
价格与方案
官方尚未公布模型权重、许可证、SDK 或价格表，目前可公开获取的是技术白皮书、Human-1M-100K 数据集（十万小时，托管于 Hugging Face）、GEAR UMI 与 DexUMI 的开源硬件设计，以及 SimFoundry 仿真工具。模型对外以 WAM API 形式提供，供上层智能体作为工具调用。商用授权与权重开放时间均未承诺，接入前需向 NVIDIA 确认。
总结与建议
GR00T 2 换了一条技术路线：不再把摄像头画面和语言命令直接翻译成电机指令，而是同时预测下一个动作和随后一小段画面，用生成出来的未来视频来判断动作对不对。这条路线换来的是跨形态迁移，人戴着头戴相机做一遍，机器人就有机会学会同一个动作，遥操作数据从必需品变成补充项。官方给的证据是，人类视频占比从零拉到满，真机任务进度从 50% 提到 70%。要看清的是开放边界：权重、许可和 SDK 都还没发布，公开的只有 10 万小时数据集和一套开源硬件设计。
版本演进
- NVIDIA 发布 GR00T 2 世界动作模型 （2026-11-10）：NVIDIA GEAR 实验室发布机器人基础模型 GR00T 2，由视觉语言动作模型改为世界动作模型，基于视频与动作的扩散 Transformer，在输出动作的同时生成未来短片段画面。预训练混合 402,730 小时第一人称人类视频、10,184 小时 UMI 夹爪演示与 23,500 小时遥操作数据，用超过一千块 GB300 计算。人类视频占比从 0% 提到 100% 时，真机任务进度从 50% 升至 70%。另有 2B 参数的 GR00T 2 Turbo，RTX 5090 延迟 38 毫秒、宇树 G1 板载 Jetson Thor 延迟 124 毫秒。模型权重与许可尚未公布，公开 Human-1M-100K 数据集与 UMI、DexUMI 开源硬件设计。