跳到主要內容
2026-11-11 日報
模型發布

Nvidia 發布 GR00T 2:機器人從人類影片學動作,減少遙操作需求,單一任務微調可將成功率由 40% 提升至 95%

The Decoder單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

據 The Decoder 報導,Nvidia 在最新研究報告中發表機器人基礎模型 GR00T 2,目標是減少機器人訓練所需的人工遙操作。與前代 GR00T 1 直接把影像與語言指令轉為馬達動作不同,GR00T 2 採用「世界-動作模型」架構,同時計算下一步動作與一段短影片,預測機械手臂動作會如何改變攝影機畫面。模型訓練於超過 1,000 顆 GB300 晶片的叢集,使用約 40 萬小時人類戴頭戴式攝影機執行各種任務的影片。 研究團隊指出,人類可透過資料手套、專用夾具或手指外骨骼示範步驟,再與目標機器人的通用動作資料結合訓練,模型即可在影片預測中把人手換成機械手,並推導對應控制指令。在實驗室中,一台五指機械手能在未經該任務遙操作的情況下點火柴、切香蕉、把包裹丟上輸送帶,成功率介於 10% 至 80% 之間。系統也能從單一人手影片,透過電腦模擬學會敲釘子。在 50 項已表現良好的任務上,不到三分鐘的傳統訓練即可將成功率由 40% 提高到 95%。 在較長的組裝工作上,Nvidia 將 GR00T 2 與高階語言模型搭配(報導提及 OpenAI 的 GPT-6 Astra),由語言模型拆解步驟、為影像中的抓取點上色,並在零件掉落時啟動輔助程序。在桌上隨意擺放玩具模型零件的測試中,組合系統至少在 97% 的嘗試中完成組裝;若省略修正用語言模型與額外微調,玩具車組裝僅 100 次成功 23 次。 針對雙足機器人,Nvidia 另推出精簡版 GR00T 2 Turbo,處理較少影像細節,可直接在人形機器人的 Jetson Thor 車載電腦上執行。測試中,機器人能舀爆米花、清理桌面,並以腳底毛巾擦拭液體,但擦拭任務成功率僅略低於一半。 研究團隊也坦言仍有明顯限制:模型尚無法處理觸覺等直接感測資料,有時會漏掉如半旋的螺絲等細微錯誤;語言規劃模型亦大幅拖慢速度,在垃圾分類測試中,機器人約三分之一的時間閒置,平均需等待逾七秒才能取得下一次規劃結果。
讀原始報導

背景

「世界動作模型」(world action model)是一種機器人學習方法,讓模型同時預測未來的影像與機器人動作,而不是只輸出動作指令。根據 Nvidia 研究頁面,GR00T 2 同時預測未來影片與機器人動作,並可應用於平行夾爪、靈巧手與人形機器人。Hugging Face 上的 GR00T N1.5 是 Nvidia 公開的機器人基礎模型,結合視覺語言骨幹與擴散 Transformer 動作頭。

來源