英伟达发布 GR00T 2 世界动作模型：模型、数据与仿真将陆续开源

在奥斯汀举行的 CoRL 大会上，英伟达 GEAR 团队负责人朱玉可与 Jim Fan 一起发布了新一代世界动作模型 GR00T 2。距离上一代已经过去一年半，这次发布的不只是一款模型，还包括一整套从数据采集到部署的工具体系。

官方放出的 1 分半 demo 展示了相当宽的任务范围：拿剪刀裁标签、安装显卡、擦火柴、切香蕉做早餐、擦咖啡、收拾桌子、卖爆米花。从双手精细操作到全身移动，覆盖了机器人能力的多个方向。

朱玉可透露，GR00T 2 的模型、数据、仿真环境和数据采集硬件都将陆续开源，目前 10 万小时的人类数据已经率先开放。对研究者来说，这意味着可以沿着官方工具链采集自己的数据、适配自己的任务、在仿真里验证技能，最后部署到真实机器人上。

从模型结构看，GR00T 2 接收语言指令、多视角相机画面和机器人状态，用同一个扩散 Transformer 联合预测未来视频与动作序列，训练时把世界将如何变化和机器人应当如何行动放在一起学习。Jim Fan 把它定位为一个反应快、能本地运行的快系统（System 1）物理技能模型，既容易通过示范教会，也容易被推理模型引导。

核心方法是朱玉可在社交平台上提到的 X-Adapt 跨本体适配：过去教机器人做新任务，往往要针对它的身体形态和控制方式重新采集机器人示范数据，而 X-Adapt 试图让人类或手持设备示范过的技能直接迁移给没练过这项任务的机器人。

文章给出了三条路径的证据。研究人员佩戴动捕设备示范放置、润湿滤纸，双五指手 Dexter 在整个过程没有该任务遥操作数据的情况下，20 次试验成功率达到 65%；用手持 UMI 夹爪示范组装玩具自卸卡车后，技能迁移到 YAM 机械臂，平均任务进度从 50% 提升到 70%。这组实验的结论很直接：大规模人类经验不只是在丰富模型的视觉知识，也能转化成真实任务中的执行进展。

配套工具链把采集、数据、仿真和执行串了起来。采集端是 UMI、DexUMI 等设备，数据端包括提供第一视角视频的 Human-1M（首批 10 万小时子集已公开）与支持整理、标注和自动评估的 Flora，仿真端是能从真实场景重建任务环境的 SimFoundry。执行端则由 ASPIRE、Turbo 和 SONIC 分工：在 G1 机载的 Jetson Thor 上，Turbo 单次预测耗时 124 毫秒；SONIC 运行在另一块 Jetson Orin 上，以 50Hz 做全身控制，把运动计划转成持续的身体动作。

同一天发布的 Claude Fable 5.2 也给机器人研究添了一把火：在 Anthropic 公布的 RoboDojo Sim 双臂测试中，采用相同运行框架和各模型最高可用推理强度，Fable 5.2 得分 64.9%，GPT-6 Astra 为 29.8%。Jim Fan 在演讲中说，这不是寒冬，这是机器人的夏天；而模型队与具身模型队在同一条赛道上互相比分的局面，才刚刚开始。