BLOG / 2026.11.10
11 月 9 日,NVIDIA 在机器人学习会议 CoRL 的官方博客里,把开源世界动作模型 GR00T 2、Isaac Lab 3.0 和新的工业评测基准放在同一条发布中。研究页给出的时间是 2026 年 11 月,博客把日期写到了 9 日。
11 月 10 日,小互跟进解读,标题里放的是「拿捏草莓」。同场出现的 Isaac Lab 3.0 倒是老面孔:GitHub 正式版 v3.0.0 在 10 月 20 日就已发布,这次是被放进 CoRL 的整套工作流里再次登场。
这次最硬的一条曲线:50 项从没在目标机器人上练过的任务,零样本成功率 40%,每项给 5 段演示、单卡微调 30 分钟后到 95%。
5 段演示,40% 拉到 95%
NVIDIA 博客把 GR00T 2 称为构建在 NVIDIA Cosmos 上的开源前沿世界动作模型,训练数据包含机器人数据和人类数据,其中有 10 万小时开源的人类第一视角数据。
研究页把预训练混合物写得更完整:人类第一视角视频 402730 小时,手持 UMI 夹爪演示 10184 小时,机器人遥操作 23500 小时。其中 10 万小时以 Human-1M-100K 在 Hugging Face 公开。两处口径应分开引用,不能把预训练总量和开源子集写成同一个数。
博客给出的开箱结果是:在没有任务专项演示的情况下,50 项评测任务中有 40 项至少成功一次;每项任务 1 次演示后,50 项任务平均成功率为 71%;5 次演示后升至 95%。
研究页把两种口径并列写出:在目标机器人从未练习过的 50 项任务上,按试次算零样本成功率为 40%,按任务算有 40 项至少成功一次;一次演示升至 71%,五次演示(每项不到 3 分钟的机器人数据)升至 95%,并在单张 RTX 5090 上用约 30 分钟做 LoRA 微调。两个 40 一个按试次、一个按任务,转述时容易被混成同一个数。
这段官方视频展示的是长程灵巧操作:扫描、剪切标签并贴到包装箱上。研究页还写,经过少量后训练,GR00T 2 用两只 22 自由度的 Sharpa 手完成 GB300 内存模块安装的成功率为 85%,组装玩具卡车为 65%,并称此前模型做不到这些任务。这些数字来自官方测试,不是本站实机。
跨机器人学技能,成绩都带着条件
研究页把一类能力叫做 X-Adaptability:只在人类、手持夹爪或可穿戴手上见过的技能,可以迁移到从未练习过该任务的机器人上。
举例是有条件的。化学实验室任务只由戴手套、头戴和腕部相机的人演示时,双五指机器人完成滤纸铺放并润湿的成功率为 65%;只用手持 UMI 夹爪演示时,YAM 机械臂端到端组装玩具自卸车的成功率为 60%,长程任务最长约 4 分钟。
博客还写,AI Agent 可以通过 GR00T 2 的 API 和配套工具按顺序调用技能,并在出错时恢复。研究页补充:在推理模型调用下,YAM 对三款玩具各做 100 次连续组装,成功次数分别达到 98、97 和 97。没有 Agent 的同一策略是 71% 到 84%。
这些结果都很硬,但场景、夹爪和评测次数都写在官方材料里。博客里,Nexuni 在测试洗衣处理,富士康把它用于服务器制造的工厂自动化,西门子在评估工业用例,MicroAGI 用强化学习后训练的版本让机械臂更换网线。这些合作方都没有给出成功率或部署规模,不能写成已经规模化上线。
Isaac Lab 3.0 其实 10 月就已发版
CoRL 博客把 Isaac Lab 3.0 说成开源机器人学习框架的最新版本:可以用 Agent 快速搭建训练环境,在 PhysX 和 Newton 之间切换求解器,选择感知训练所需的渲染器,并对 GR00T 这类基础模型做强化学习后训练。
GitHub 发布页显示,v3.0.0 已在 10 月 20 日作为正式版推出,并写明这是从 2.x 迁移的推荐基线。今天值得写它,是因为 11 月 9 日的 CoRL 发布把它和 GR00T 2、Newton 柔性仿真放进同一套工作流,而不是软件在这一天才第一次存在。
博客用这颗草莓说明:Isaac Lab 与 Newton 更紧的集成,可以模拟线缆、布料等可变形物体,以及关节很多的灵巧手。在一项基于视觉的灵巧操作基准中,Isaac Lab 3.0 搭配 Newton,训练吞吐量最高达到 Isaac Lab 2.3 搭配 PhysX 的 2.5 倍。这是官方给出的对比条件,不是所有任务都会快 2.5 倍。
同一篇博客还提到 AlphaNIST:在 Isaac Lab 中训练的单一策略,覆盖 NIST 装配板上 20 项任务,训练成功率超过 98%,而分任务策略是 81%,GPU 时间大约少 39 倍。这是用 Isaac Lab 做的研究项目,不要直接算成 GR00T 2 自己的分数。
开源能下载,验收还在真机上
研究页和博客都强调开源与接口:模型、部分人类数据和仿真框架都可以被研究者拿去复现。Agent 还可以通过图结构策略一类框架,把单项技能编排成更长的程序,并在仿真里根据失败再改。
与此同时,官方自己也把评测放在变化条件下。Isaac Lab-Arena 0.4 开发者预览、DexBench 和 VABAR,要测的是技能换场景、换物体、换物理参数后还会不会稳。这恰好说明:实验室或仿真里的高成功率,还不能直接当成车间指标。
所以读这篇发布,比较有用的顺序是:先记下 11 月 9 日新增的是哪套模型和哪套工作流,再把 50 项任务上的零样本、一次演示、五次演示分开抄,最后把 Isaac Lab 3.0 的实际发版日期留在背景里。本站没有训练或部署这些模型,下面的判断只依据官方材料。
Nuestra valoración:GR00T 2 这次最有分量的,是「几段演示加半小时单卡微调」就能把新任务拉到九成以上的门槛。车间能不能用,要等富士康、西门子这些合作方拿出自己的数据。
Enlaces de referencia
- NVIDIA Research:GR00T 2 项目页
- NVIDIA Blog:CoRL 机器人仿真与 GR00T 2
- GitHub:Isaac Lab 3.0 发布说明
- 小互:NVIDIA 推出开源机器人模型 GR00T 2


评论列表 (0条):
加载更多评论 Cargando...