英伟达GR00T 2开源：40万小时人类视频训练，宇树G1可直接部署

11月10日机器人前瞻消息，英伟达前一天在机器人学习领域的国际顶级会议CoRL 2026上，推出开源世界—动作模型GR00T 2系列，含GR00T 2与GR00T 2 Turbo两个版本。

两个版本分工不同。GR00T 2盯的是泛化能力与精细操作，平行夹爪、灵巧手、人形机器人都能用；GR00T 2 Turbo靠更小的参数换速度，可直接部署到宇树G1，单次推理只花124毫秒，行走、弯腰、伸手、搬运都能控。

英伟达放出的视频里，装了GR00T 2的灵巧机器人看人做了一遍化学实验就学会了操作——示范者只戴手套、头戴式相机和腕部相机。整体动作看上去比较顺。

接上推理模型（System 2）之后，GR00T 2能让YAM机械臂连着组装三种玩具，每种玩具做100次试验，最少也成功97次。

任务虽然完成了，可操作过程被剪成16倍速播放，整段视频仍超过30分钟。实际执行效率还有提升余地。

换成搭载GR00T 2 Turbo的宇树G1，它用毛巾清理地面，再把毛巾丢进洗衣篮。擦污渍时它没直接上手拿毛巾，而是用脚踩住毛巾去蹭，整个流程同样比较顺。

Jim Fan在X（原推特）上发帖称GR00T 2是杰作，还特意强调视频是真实、自主操作，没有加速（Real. Autonomous. No speed up.）。

发布成果的帖子底下，有网友说人形机器人的技术进展让人印象深刻。

也有人留言“灵巧致胜”。

有人表达了期待。

另一些人则看重开源：小机器人团队能借此省下成本。

在CoRL2026介绍这个模型时，Jim Fan用一句颇为自信的话收尾：“你们眼前的，就是希望的火焰。”他说，从现在起谁都能当机器人开发者，一切会动的东西都会拥有自主能力，“在那簇火焰里，夏天要来了”。

英伟达技术博客显示，GR00T 2有四项主要能力：跨本体迁移（X-Adaptability）、少样本适应（Fast Adaptation）、智能体控制（Agentic Control）和视觉引导（Visual Steering）。

跨本体迁移有三种实现方式。

新任务靠少样本就能适应。

先看跨本体迁移能力（X-Adaptability）。机器人自己没演示过某项任务也没关系，GR00T 2能借人类视频和其他机器人的数据把它学会。

迁移方式具体分三种。

其一是“人类到机器人”。化学实验任务里，人戴着手套、头戴式相机和腕部相机做示范，灵巧手则通过跟具体任务无关的自由探索数据，认识自己身体的外观和运动方式。

全程不用遥操作示范，GR00T 2在四项任务上照样成功：滤纸放置65%，滴管放入烧杯30%，显微镜载玻片轻蘸10%，投掷传送带上的包裹50%。

其二是“手持夹爪到机械臂”。传送带分拣与投掷、玩具自卸卡车组装、NIST板拆解这三项任务，英伟达都只用手持式GEAR UMI夹爪给模型做演示。

部署在YAM机械臂上的GR00T 2手里没有这些任务的真机示范数据，最终成功率分别为86%、60%和50%。

其三是“可穿戴设备到机器人灵巧手”。GEAR DexUMI是一种与机器人手部关节对应的可穿戴外骨骼设备（Wearable Exoskeleton），能把人的手部动作直接映射到机器人身上。

只靠DexUMI示范，GR00T 2就让配了两只XHAND1灵巧手的天机机器人学会三项双手任务：制作香蕉酸奶、舀取格兰诺拉麦片，以及划火柴点燃烧瓶下方的灯，再把火柴放进水里熄灭。

技能从一个本体挪到另一个本体，这是跨本体迁移要回答的问题；少样本适应（Few-Shot Adaptation）接着往下问：模型怎样才能花较小的代价把任务成功率提上去。

研究团队挑了50项任务，目标机器人此前都没见过，只存在于其他机器人的数据或人类视频里。承担测试的是一台装了双Sharpa灵巧手的机器人。

到了零样本泛化（Zero-Shot Generalization）这一档，GR00T 2只靠任务指令，试验成功率就有40%，50项任务里有40项至少成功过一回。

英伟达分析下来，失败大多不是模型把任务理解错了。问题出在执行精度：步骤顺序对、动作也对，偏偏某一步没做到位。

补这个缺口，靠的正是少量目标机器人数据。

按英伟达披露的数据，每项任务给1个示范，平均成功率就涨到71%；给到5个示范，平均成功率进一步升到95%，50项任务中有37项每次试验都成功。

该公司还补充，每次适应只需要在单张RTX5090上跑30分钟LoRA（Low-Rank Adaptation）微调。

碰上要求更细的操作，后训练（Post-Training）也能派上用场。

英伟达介绍，只要少量遥操作数据做后训练，GR00T 2就能驱动两只22自由度的Sharpa灵巧手完成精细活，比如给包裹贴标签、更换部件、组装玩具，以及端到端跑完化学实验这类长时程任务。

具体成功率上，制作并粘贴货运标签为60%，手电筒电池更换为55%，卡车组装为65%，粗盐过滤为85%，显微镜操作为55%，GB300内存模组插入为85%。

上层推理可以交给Agent来做，

视觉规划则用来判断“怎么拿”

把单项技能串成长程任务之后，任务理解规划、失败恢复这些问题就冒出来了。GR00T 2的办法是让前沿推理智能体（Reasoning Agent）和机器人模型分头干活。

分工很清楚：智能体管“做什么”，拆解任务、检查进度、编写代码；GR00T 2管“怎么做”，承担那些脚本写不出来的大量交互操作。

借世界—动作模型API，智能体能把GR00T 2当成工具调用，再配上相机图像、机器人状态和代码即策略（Code-as-Policy，CaP）技能一起用。

落到实体机器人上，大部分操作由GR00T 2完成，智能体在旁边盯着执行情况。零件掉了，或者进度卡住了，智能体就调用通过ASPIRE学到的CaP技能把场景恢复过来，然后把控制权还给GR00T 2。

每次试验开始前，所有零件都倒在桌面上，摆出来的杂乱布局在后训练数据里从没出现过。

就是在这种条件下，GR00T 2加上智能体，组装玩具飞机、玩具拖拉机和Hot Wheels玩具车，100次试验里分别成功98次、97次和97次。

不过看视频时长，GR00T 2花的时间不算少，离实际应用还有提升空间。

智能体还能把真实世界强化学习（Real-World Reinforcement Learning）练出来的技能拼成更长的任务。

比如把五根以太网线一根接一根插进网络交换机，或者把五个充电器插到指定插座上。

这当中，CaP负责定位、抓取和放置，精度要求高的插入动作交给GR00T 2，智能体则安排步骤、核对结果，需要时调用恢复技能。

成功率方面，把监督策略换成经过强化学习训练的GR00T 2后，线缆任务的完整成功次数从20次中的12次提高到19次，充电器任务从20次中的2次提高到20次。

杂乱环境里靠语言指挥机器人，目标物体和动作本身就可能含糊不清。为此英伟达给GR00T 2加了视觉引导（Visual Steering）能力。

做法很直接：规划器在GR00T 2的相机画面里点出抓取点与释放点，不同颜色对应不同执行机械臂，接下来接近、抓取、搬运、释放由GR00T 2自己完成。

每走完一步，规划器都会重新看一眼，判断接着做、重试还是停下。这套功能不用补训练数据，标注点能从现有示范的夹爪和手部状态里提取，模型照样只靠语言指令就能跑。

遇到“移动什么、移动到哪里”这类短程指令，分步指令配上标注，YAM机械臂操作成功率从只给任务指令时的40%升到92%，灵巧手操作从30%升到70%。

长程任务上差距更明显。YAM机械臂没有标注时，规划器给出分步指令，GR00T2也完不成垃圾分类或任务板拆解；加上标注后，20次垃圾分类完整完成17次，10次电路板拆卸完整完成3次。

不过英伟达也提到，灵巧操作里标注点能帮机器人多分拣一些垃圾，但整个任务很少能做完，这是眼下的局限。

另外，标注点传不了物体最终的朝向，也说不清抓取到释放之间是什么动作关系，倒、擦这类复杂动作还得靠语言来描述。

更快端侧版本也来了，

能指挥宇树G1打扫房间

面向人形机器人，英伟达另推了主打速度的GR00T 2 Turbo。

人形机器人做全身移动操作（Whole-Body Loco-Manipulation），得在全身快速运动时稳住平衡，同时把双手准确送到位。

Turbo靠小型联合视频-动作Transformer和压缩率更高的视频编码器压低建模成本，前者参数量只有20亿。

模型更小，架构仍与GR00T 2相近，但能直接在宇树G1上跑。

优化之后，Turbo让G1完成一次推理，RTX 5090上花38毫秒，机载Jetson Thor上花124毫秒。

这样一来，模型大约每秒规划一次1.6秒的全身运动token块，再由SONIC全身控制器以50Hz执行。

真机任务里，GR00T 2 Turbo控制G1舀爆米花并分装，48次全部成功；地面撒漏清理成功率46.7%，清理桌面上多种物品成功率93.3%，相比GR00T 1.7都有提升。

G1动作比较顺，停顿少，能连着执行几分钟任务，长程执行能力有所体现。

训练用了超40万小时人类视频，

核心是DiT架构

训练数据分三类：402,730小时的人类工作第一视角视频、覆盖2,897项任务的10,184小时手持式UMI夹爪数据，以及23,500小时机器人遥操作数据。

遥操作数据涉及的本体有YAM和Franka的平行夹爪机械臂、Sharpa与Wuji灵巧手，还有宇树G1人形机器人。人类视频取自第一人称数据集Human-1M，该数据集含100万小时人类数据，其中10万小时已以Human-1M-100K的形式在Hugging Face开源。

人类视频规模一扩大，任务表现也跟着变。研究团队用0、1%、10%和100%的人类视频预训练模型，在72项灵巧操作任务上做了评估。

数据表明，人类视频比例往上走，视频策略的任务完成率从64%升到77%，实体机器人从50%升到70%。

而GR00T 2的核心是一个视频—动作扩散Transformer（Video-Action Diffusion Transformer）。

模型会读取近期视频、任务指令和机器人当前状态，把未来视频和一段动作块放在一起做联合去噪，随后执行这段动作，再进入下一轮预测。

说白了，它不光生成接下来可能出现的画面，也生成达成这一画面所需的机器人动作。

GR00T 2正是靠预测场景该怎么变，从人类视频里学到物理规律；等落到面向不同机器人本体的small per-robot heads时，再把规划转成对应的电机控制指令。

英伟达表示，在RoboCasa365、RoboLab、RoboDojo和MolmoSpaces这几项基准测试中，无论是VLA模型还是世界动作模型类别，GR00T 2目前都排进前三，还多次拿下排行榜第一。

合作方面，英伟达也一并做了披露。中国台湾的机器人公司Nexuni正测试把GR00T 2用于衣物处理；富士康将其用在服务器制造的工厂自动化上；西门子则在评估它在各类工业场景中的能力。

德国慕尼黑的具身初创公司MicroAGI则用经过强化学习后训练（post-trained through reinforcement learning）的GR00T 2，操控YAM机械臂更换以太网线缆。

结语：英伟达，不止想做“卖铲人”

开源的不只是GR00T 2。Jim Fan 在 CoRL 2026 现场宣布，英伟达要推进机器人相关技术的全栈开源：12 月开放 GR00T 2、Turbo 的模型权重及 Cross-Adapt 方法，同时开放真实到仿真流程SimFoundry、可持续积累技能的智能体框架 ASPIRE、数据整理与标注工具Flora，以及Human-1M首批10万小时训练数据，连UMI、DexUMI等设备的完整硬件设计图纸也在其中。

换句话说，英伟达在具身领域开源的覆盖面已经超出模型，数据、仿真、智能体框架和硬件设计都被纳入。再叠加 RTX 5090、Jetson Thor 等计算平台，这家公司正把机器人研发要用的软件工具和硬件基础设施串在一起，从数据采集、模型训练一直覆盖到仿真评估和真机部署。

看得出，英伟达想卖的并不只是芯片，不只是当个“卖铲人”。它更希望借软硬件协同压低机器人开发的门槛，让机器人技术更快从实验室走进真实场景，转起产业飞轮。这样的角色，显然比“卖铲人”更容易赢得市场青睐。