英伟达 GR00T 2：43 万小时视频，只换来 40% 零样本

英伟达在 CoRL 2026 公开了 GR00T 2，把机器人基础模型从「看画面出动作」改成「先预测未来画面，再输出动作」。它用 43.6 万小时数据训练，零样本成功率却只有 40%。

从 VLA 到 WAM：先想画面，再出动作

上一代机器人模型的主流是 VLA（视觉-语言-动作）：看到画面，直接映射成动作序列。谷歌 Gemini Robotics 2.5 是这条路线的代表，站内此前已做过拆解。

GR00T 2 换了目标函数。它在同一次去噪里，同时产出未来若干帧视频和接下来的动作块，英伟达称之为世界-动作模型（WAM）。先想象物理交互怎么展开，再决定手怎么动。

实现上并不复杂：一个视频-动作扩散 Transformer，输入 3 路相机最近 0.8 秒的画面、本体状态和一句语言指令。主模型的参数量官方没有披露，Turbo 版才是 20 亿参数的小型号。

关键在输出端。同一个预训练权重，可以驱动平行夹爪机械臂、22 自由度灵巧手和宇树 G1 人形三类硬件，不需要为每种本体重训一套。

这套设计的赌注押在数据上：既然模型能预测画面，那么人类干活的视频，就是机器人学习物理常识的教材。

数据构成：92.3% 是人类视频

预训练集合由三段构成，总计 436,414 小时。

40 万小时人类视频是什么概念？按 24 小时不间断播放，一个人要看 46 年。这批数据里已经有 10 万小时以 Human-1M-100K 的名字开放，许可证为 CC BY 4.0，附带语言标注与头手运动数据。

最贵的遥操作只占 5.4%，这是整个发布里最值得注意的比例。它说明英伟达判断：机器人数据的稀缺，可以用人类视频的过剩来对冲。

细分也偏科：23,500 小时遥操作里，YAM 机械臂占 15,146 小时，Sharpa 灵巧手 2,890 小时，宇树 G1 只有 275 小时。人形本体的真机数据，在这批预训练里其实是最薄的一块。

人类视频的边际只有 20 个点

这个判断有实测支撑。官方在 72 项 Dexter 任务上做了消融：人类视频占比从 0 提到 1%、10%、100%，真机任务进度从 50% 抬到 70%，视频 rollout 里从 64% 抬到 77%。

方向是对的，幅度需要看清。40 万小时换来的是 20 个点，而且指标是「任务进度」，不是「成功率」——一个做了一半被中断的动作，也能算进度。

真正把成功率拉起来的是后面那几条示范。

从 40% 到 95%：第一条示范值 31 个点

官方选了 50 项任务，这些任务在人类视频或其他机器人的数据里出现过，但在目标机器人身上从未被示范过。

零样本条件下，平均成功率 40%。这里有个容易被转述弄混的地方：官方同时给出「50 项里 40 项至少成功过一次」和「平均成功率 40%」两个说法，数值撞在一起，含义完全不同。

加上示范之后，曲线很陡。

微调成本同样低：每次适配是 30 分钟 LoRA，跑在单张 RTX 5090 上。对比过去动辄数天、按千次计的遥操作采集，这是把冷启动从工程周压到小时级的量级差。

95% 这个均值的构成也值得看一眼：50 项任务里有 37 项每次都成功，剩下 13 项在拉低平均。

但边际收益是递减的。第一条示范赚 31 个点，后面四条合计只加 24 个点。对采购方来说，这意味着「先录一条试试」的性价比最高，「录到五条」是用来把 71% 推到能上产线的水平。

跨本体迁移：65% 与 60% 两个数

X-Adapt 是这次发布的核心卖点：技能只在人或别的设备上演示过，目标机器人没练过也能直接复用。

两个最干净的验证。其一，人戴手套加头戴相机做化学实验，双臂灵巧机器人学会在漏斗里铺滤纸并润洗，零遥操作，成功率 65%。其二，只用手持夹爪示范一次，YAM 机械臂端到端装完一辆玩具翻斗车，成功率 60%，而这个任务最长要 4 分钟。

灵巧手侧的数字更实用：双臂 22 自由度 Sharpa 手，插装 GB300 内存条 85%，装玩具卡车 65%。再叠一层真机强化学习，三个接触密集的插入任务从 40% 到 76%，最后到 88% 至 96%。

还有一组分布在仿真与真机之间的数：加入仿真数据后，G1 人形在分布外任务上的成功率从 6.7% 升到 63.3%。这说明预训练权重只是起点，后面还要补仿真与真机两道工序。

智能体接手之后：23% 变成 97%

GR00T 2 只负责接触级执行，任务拆解与纠错交给一个推理智能体，通过接口按顺序调用技能。测试里这一层由 GPT-6 Astra 充当。

差距被这个分工拉得极大。同一套玩具装配任务，没有智能体时 100 次成功 23 次；接上智能体，玩具飞机 98 次、拖拉机 97 次、小赛车 97 次。

这说明底层策略不是唯一杠杆。错误恢复与高层推理贡献的增量，可能和低层运动技能一样多——想上产线，两类模型都得有。

三个还没解决的口径

第一个是任务选择。白皮书自己写明：5 条示范能到 95% 的那批任务，是从「模型本来就能学到 80% 以上」的任务里挑出来的。95% 有一部分是构造出来的，更诚实的读数是 71%。

第二个是交付状态。研究页只开放了 10 万小时数据集与两个仿真基准，主模型的代码与权重没有时间表；「12 月开放」来自发布会转述，权重许可证至今未公布。在此之前，所有数字都只有厂商口径，没有第三方复现。

第三个是物理层面的缺口。43 万小时全是画面，没有一条触觉信号。官方文档写明抓握力度只能靠视觉间推断，中段的小失误容易被漏掉，插入类任务因此要额外的强化学习补丁。触觉这条路上，蚂蚁灵波的 LingBot-Touch 是另一种解法，站内已单独写过。

延迟吃掉的生产率

更值得注意的是延迟。官方披露，在一次分拣测试中，机器人有中位 38% 的回合在等智能体回话。

把两个数乘起来看：95% 的成功率，配上 62% 的有效占空比，实际吞吐约 59%。也就是说，一半的生产率损失来自等待，而不是抓取失败。

Turbo 版就是冲这条瓶颈做的。更小的 Transformer、更紧凑的视频表示，让模型能跑在宇树 G1 自带的 Jetson Thor 上，中位预测 124 毫秒；同一份权重放在 RTX 5090 上只要 38 毫秒。配 SONIC 全身控制器（50 Hz 执行）后，爆米花 48 次全成功，清桌 93%。端侧部署的显存与延迟账本，站内此前算过一次，可供参照。

早期试用方名单包括 Nexuni（衣物处理）、富士康（服务器制造自动化）、西门子（工业场景评估）与 MicroAGI（用强化学习后训练做网线更换）。四家都在测试，没有一家宣布量产。

小结：下限与上限之间

GR00T 2 证明的是「人类视频能把起点抬起来」，还没证明「人类视频能替代真机数据」。40 万小时定下限，五条示范定上限，这条界线目前仍然清晰。

数据与基准已经开放，代码要等到 12 月。真正的检验不在发布会，而在别人拿同一份权重、在自己工位上跑出什么数。