Nvidia发布GR00T 2世界动作模型，机器人可从人类视频学习技能
Nvidia于11月9日在Austin举行的Conference on Robot Learning上发布GR00T 2，将其描述为新一代基础世界动作模型（world-action models）。该模型同时预测未来视频与机器人动作，可运行于平行夹爪、灵巧手及人形机器人。
公司称，GR00T 2可从人类视频、手持夹爪演示及其他机器人数据中学习技能，并将这些技能迁移至从未演示过该任务的目标机器人。在50项目标机器人未见过的任务上，零样本平均成功率约40%；每项任务提供5次演示（不到3分钟机器人数据）并在单张RTX 5090上微调30分钟后，平均成功率升至95%。
模型代码预计12月发布。预训练数据包括约40.27万小时第一人称人类视频、1.02万小时手持夹爪演示及2.35万小时机器人遥操作数据。
原始来源：
标题：GR00T 2: Scaling Robot Foundation Models for Generalization, Dexterity, and Adaptation
发布者：NVIDIA GEAR研究团队
发布日期：2026年11月
URL：research.nvidia.com/labs/gear/gr00t-2
来源性质：公司研究页面
核验情况：本次实际读取页面全文
支持内容：GR00T 2为世界动作模型，可从人类视频及其他机器人数据学习并迁移技能；50项任务上零样本成功率约40%，5次演示后升至95%
ABAB AI 解读
Nvidia在2026年11月9日于Conference on Robot Learning发布GR00T 2，将其定位为世界动作模型，而非此前的视觉-语言-动作模型。该模型通过一个扩散变换器同时预测未来视频帧与动作块，从而从物理交互的视觉结果中学习。
公司披露的预训练数据以人类第一人称视频为主（约40.27万小时），辅以手持夹爪演示和机器人遥操作数据。官方页面说明，技能可从仅由人类演示的视频迁移至目标机器人，无需该机器人事先演示该任务。
在50项目标机器人未见过的任务上，Nvidia报告零样本平均成功率约40%，每项任务5次演示后升至95%。这些数字来自公司自报测试，页面未列出全部任务名称、试验次数或独立复现结果。模型权重与代码预计12月发布。
GR00T 2还提供Turbo变体，可在Unitree G1人形机器人的板载计算上运行；同时支持与推理模型配合，通过API进行多步骤任务与错误恢复。
ABAB News · 认知定律
Nvidia于11月9日在CoRL发布GR00T 2世界动作模型，同时预测未来视频与机器人动作。
公司称该模型可从人类视频及其他机器人数据学习技能，并迁移至未见过该任务的目标机器人。
在50项任务上，零样本平均成功率约40%，每项任务5次演示后升至95%；代码预计12月发布。