具身星图
Embodied AI Atlas
入场中正在打开具身世界
请稍候
具身星图

主题

NVIDIA GR00T N2 细读 ​

WAM 论文细读 · NVIDIA 预览的下一代机器人基础模型,从 VLA(N1.x)转向 WAM 架构的世代分水岭 · NVIDIA Isaac GR00T 系列(WAM 架构,基于 DreamZero) ← WAM 总览 · 主报告

TL;DR ​

GR00T N2 是 NVIDIA 预览(preview)的下一代机器人基础模型,官方表述为「based on DreamZero research」「built on a new world action model architecture」。它与本站已细读的 GR00T N1 是两种不同范式:N1 / N1.5 / N1.7 是 VLA(视觉-语言-动作,反应式 obs→action 映射),而 N2 才是 WAM 架构(联合建模「世界如何变化」与「机器人如何动作」)。NVIDIA 给出的关键厂商陈述包括:在新环境 / 新任务上帮助机器人成功的概率「比领先 VLA 高出 2 倍以上」,当前在 MolmoSpaces 与 RoboArena 上排名第一,「计划年底前可用」。

可信度提示:本页几乎所有数字、排名与能力均为 NVIDIA 厂商陈述(⚠️),尚无第三方统一评测;凡一手源未给出或未释出者标「待核」。务必注意:GR00T N2 在本页撰写时尚未完全释出,以下内容基于预览阶段的官方表述,实测口径与权重均待核。

一、定位:N1.7(VLA)与 N2(WAM)的分野 ​

GR00T 系列内部存在一条范式分水岭,必须先厘清,否则极易把两代混为一谈:

  • GR00T N1 / N1.5 / N1.7 — VLA。 本站已对 N1 做过细读(GR00T N1)。这一支属于视觉-语言-动作模型:把观测与语言指令映射到动作,不显式建模「我这样动、世界会如何演化」的时空物理动力学。当前实际可用的模型是 N1.7,而非 N2。
  • GR00T N2 — WAM。 N2 是 NVIDIA 预览的下一代,官方明确表述为「built on a new world action model architecture」「based on DreamZero research」。它不再只学反应式映射,而是转向世界-行动模型范式。

作为对照,当前可用的 N1.7 的官方画像(均厂商陈述 ⚠️):

  • 开放的 VLA 模型、提供商用许可,面向通用人形机器人技能(含先进灵巧控制);
  • 多模态输入(语言 + 图像);
  • 相比 N1.6,在泛化与语言跟随上有提升,NVIDIA 归因于预训练纳入「20K 小时 EgoScale 人类视频」⚠️。

换言之:谈论「GR00T 的 WAM 化」时,指的是 N2;谈论「现在能下载、能商用的 GR00T」时,指的是 N1.7(仍是 VLA)。二者范式不同,不应互相代入数据或能力。

二、方法与架构(WAM 通用机制) ​

GR00T N2 的具体架构细节(参数规模、训练配方、权重)在预览阶段未释出(待核)。可据以理解 N2 的,是 NVIDIA 对其 WAM 范式给出的通用机制描述(glossary,均厂商陈述 ⚠️):

  1. 视频预训练习得物理 / 运动先验。 在大规模视频(含互联网视频与第一视角人类视频)上预训练,从中继承物理与运动先验。

  2. 潜空间想象、从不生成完整图像。 运行时接收文本指令与起始观测,预测「目标转移的压缩表征」,并据此直接导出机器人指令,而「从不生成完整图像(without ever generating full images)」——即在潜空间中「想象」转移,而非渲染完整像素帧。实现为统一的 Joint Video-Action Diffusion Transformer(DiT)。

  3. 可解释性。 可检视(预测)帧以定位失败,提供一条相对 VLA 黑箱映射更可审视的诊断路径。

  4. 数据效率能力(均厂商陈述 ⚠️):

    • 对未见任务 zero-shot(举例如解鞋带、熨烫);
    • 人→机迁移仅需 10–20 分钟无动作标签视频;
    • 跨本体仅需 30 分钟 play data。

    注:上述三项数字与 DreamZero 一致,反映 N2 与 DreamZero 同源——它们应被理解为同一研究脉络下的能力声明,而非 N2 独立给出的新测点。

体系定位上:NVIDIA Cosmos 是 world foundation models(物理 AI 基础设施),而 WAM 是其「动作使能(action-enabled)」变体——把世界基础模型的基础设施引向机器人控制。GR00T N2 即落在这条「Cosmos → WAM → 机器人控制」的路径上。

三、关键声明与基准 ​

以下为 NVIDIA 对 GR00T N2 给出的关键声明,全部为厂商陈述(⚠️),无第三方统一评测:

  • 成功率。 在新环境 / 新任务上帮助机器人成功的概率「比领先的 VLA 高出 2 倍以上(more than twice as often)」⚠️。注:对照基线、任务集合、评测协议等口径待核。
  • 排名。 当前在 MolmoSpaces 与 RoboArena(通才机器人策略)上排名第一⚠️。注:这两个榜单的评测细则、提交时点、是否第三方维护等待核。
  • 可用性。 「计划年底前可用(slated to be available by the end of the year)」——即本页撰写时尚未完全释出(待核)。

需要强调:上述「2 倍以上」「排名第一」是 N2(WAM)的声明,不可挪用到 N1.7(VLA);而 N1.7 的「20K 小时 EgoScale」「相比 N1.6 提升」同样是厂商陈述(⚠️),亦不可反向挪用到 N2。

四、与本站谱系的关系 ​

  • 与 GR00T N1 同谱系、不同世代。 N1 是更早世代、属 VLA;N2 是 WAM 世代。二者同属 NVIDIA GR00T 血脉,但范式已切换。
  • 基于 DreamZero。 N2「based on DreamZero research」,其能力数字(zero-shot、人→机 10–20 分钟、跨本体 30 分钟)与 DreamZero 一致,见本站 WAM 细读 DreamZero。
  • 更早的 GR-1 是 Joint·自回归工作。 在 NVIDIA / GR 谱系中,GR-1 属更早的 Joint·自回归一脉,可视为这条技术血脉的早期世代。

五、局限与存疑 ​

  • 尚未完全释出。 N2 在本页撰写时仅为预览,「计划年底前可用」;权重、论文、架构细节、训练配方均未释出(待核)。本页不应被当作对一个已发布模型的细读。
  • 全为厂商陈述、无第三方复现。 「2 倍以上」「MolmoSpaces / RoboArena 排名第一」均为 NVIDIA 自评(⚠️);对照基线与评测协议待核,跨工作横比需谨慎。
  • 能力数字的来源归属。 N2 的 zero-shot / 数据效率数字与 DreamZero 一致,应理解为同源声明,而非 N2 独立测得的新结果。
  • N1.7 与 N2 易被混淆。 当前可下载、可商用的是 N1.7(VLA);N2(WAM)的优越性声明不可代入 N1.7。任何把「2 倍以上」算到「现在能用的 GR00T」头上的表述都是错误归属。
  • MolmoSpaces / RoboArena 的成熟度待核。 这两个榜单是否由独立第三方维护、评测是否可复现,语料未给出,均待核。

参考文献 ​

  • NVIDIA glossary,「World Action Model」词条(WAM 定义与通用机制、与 VLA 的辨析、Cosmos 关系)。⚠️ 厂商陈述。
  • NVIDIA 关于 GR00T N2 的官方陈述(「based on DreamZero research」「built on a new world action model architecture」、成功率「2 倍以上」、MolmoSpaces / RoboArena 排名第一、「计划年底前可用」)。⚠️ 厂商陈述;尚无第三方统一评测。
  • NVIDIA 关于 GR00T N1.7 的官方陈述(开放 VLA、商用许可、多模态输入、20K 小时 EgoScale 人类视频、相比 N1.6 提升)。⚠️ 厂商陈述。

可信度体例:⚠️ = NVIDIA 厂商陈述,尚无第三方统一评测;待核 = 一手源未给出或未释出。本页不使用 ✅。GR00T N2 撰写时尚未完全释出。