NVIDIA Robotics 官方账号在 CoRL 2026 宣布 GR00T 2，NVIDIA GEAR 实验室负责人 Yuke Zhu 同步发布技术细节。GR00T 2 是基于 Cosmos 的新一代世界动作模型（WAM）：一个扩散 Transformer 同时去噪未来视频和动作块，一套模型可驱动平行夹爪、灵巧手和人形机器人。预训练数据包括 40.27 万小时第一视角人类视频、1.02 万小时 UMI 手持夹爪示范和 2.35 万小时机器人遥操作。官方口径下，50 个目标机器人从未练过的任务零样本成功率 40%，每任务 5 条示范（不到 3 分钟机器人数据）在单张 RTX 5090 上 LoRA 微调 30 分钟后升至 95%。推理模型可通过 WAM API 把 GR00T 2 当工具调用。代码 12 月开放，已在 Hugging Face 放出 10 万小时人类视频数据集。
核心要点速览
- ✓架构：一个扩散 Transformer 同时预测未来视频与动作块，各机器人只需一个小动作头，一套模型覆盖夹爪、灵巧手、人形机器人
- ✓数据：40.27 万小时人类第一视角视频 + 1.02 万小时 UMI 示范（2897 个任务）+ 2.35 万小时遥操作；人类视频占比从 0 提到 100%，真机任务进度从 50% 升到 70%（官方口径）
- ✓适配：50 个未见任务零样本 40%，1 条示范 71%，5 条示范 95%，单张 RTX 5090 LoRA 微调约 30 分钟
- ✓Agent 协作：推理模型经 WAM API 调用 GR00T 2，三种玩具连续 100 次组装各成功 97 次以上；在画面上标注抓取点后指令遵循率从 40% 升到 92%
- ✓GR00T 2 Turbo 为 2B 参数版本，在 Unitree G1 的 Jetson Thor 上单次预测 124 毫秒；代码 12 月开放，10 万小时人类视频已上 Hugging Face
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
机器人基础模型最大的瓶颈是数据：遥操作采集慢、贵，而且换一台机器人往往要重新采。NVIDIA 在 CoRL 2026 发布的 GR00T 2 换了思路，让模型先学会"预测世界会怎么变化"，这样就能大量利用不含机器人的人类视频。
架构亮点与底层机制
GR00T 2 基于 Cosmos，是一个世界动作模型（WAM）：读入最近的视频、指令和机器人状态，用同一个扩散 Transformer 同时去噪未来画面和一段动作，执行后再循环。每种机器人只配一个小动作头。预训练数据为 40.27 万小时第一视角人类视频、1.02 万小时 UMI 示范和 2.35 万小时遥操作。另有 2B 参数的 GR00T 2 Turbo，可在人形机器人本机实时运行。
权威 Benchmark 与实测跑分对比
以下均为 NVIDIA 官方口径，暂无第三方复现：50 个目标机器人未练过的任务零样本成功率 40%，5 条示范后 95%；只看人类示范、零遥操作，双五指手机器人完成滤纸铺设的成功率为 65%；真机强化学习把三项接插任务提升到 88–96%；Turbo 在 Jetson Thor 上单次预测 124 毫秒，爆米花服务 48 次全部成功。
开发者实战落地与开箱指南
代码官方称 12 月开放，参数规模与许可证官方未公布。现在可以先在 Hugging Face 浏览 Human-1M-100K 数据集，看开源的数据采集硬件设计，并关注 WAM API：它让 Claude、GPT 这类推理 Agent 负责拆任务和检查进度，GR00T 2 负责具体操作。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察