DreamZero

NVIDIA GEAR · 2026-02

기타2026年の新モデル14B動画world model

動画とアクションを同時に予測する世界行動モデル(WAM)である。

論文

バックボーンLLM: なし (動画拡散バックボーン)
ビジョンエンコーダ: —
アクションヘッド: 動画 + アクションflow matchingの共同予測 (動画world model)
チャンク: 48ステップ (1.6秒)
制御周期: 30 Hz
構造の原文要約: Wan2.1-I2V-14B-480P動画拡散 → 自己回帰DiT(フローマッチング・teacher forcing); 相対関節位置アクション、30 Hz、48ステップチャンク(1.6 s)

事前学習アクセラレータ: 非公開 (学習GPUの記述なし; H100・GB200は推論でのみ言及)
事前学習期間: 非公開
事前学習ステップ・バッチ: AgiBot・DROIDそれぞれ100K steps、グローバルバッチ128
GPU・TPU時間: 非公開
ファインチューニング: 非公開; 新エンボディメントへの適応にプレイデータ30分、他ロボット・人の動画専用データ10–20分
データ種類: 実ロボットのテレオペレーション + 動画事前学習バックボーン(Wan2.1)
データ規模: AgiBot G1テレオペレーション約500時間(22環境、エピソード7.2K) + DROID公開データセット
主要データセット: AgiBot G1テレオペレーション、DROID
タスク・評価: AgiBot G1 学習課題の進捗62.2%(最良の事前学習VLA 27.4%)、未学習39.5%(16.3%); DROID-Franka 進捗49%・成功22.5%; MolmoSpaces・RoboArenaで1位
ロボット: AgiBot G1, Franka(DROID)

推論デバイス・速度: チャンクあたり5.7 s→150 ms(DreamZero-Flashを含めGB200で38×; システム最適化のみでH100約9×・GB200約16×)、約7 Hzの閉ループ; README GB200約0.6 s・H100約3 s、GPU 2個以上
推論メモリ: 非公開
重み bf16(計算): 28 GB
実行場所: GPU 2個以上 (README)

主な特徴: 動画とアクションを同時に予測する世界行動モデル(WAM)である。未学習タスクの進捗率39.5%で事前学習済みVLA(16.3%)を上回り、GR00T N2の基盤となった研究である。
備考: arXiv 2026-02-17。DreamZero-DROID 14B・DreamZero-AgiBotチェックポイント(Apache 2.0)。データ時間(h)はAgiBot分のみ(DROIDは別)。高速化倍率の条件は検証ノートどおりに明確化。NVIDIAはGR00T N2を「DreamZero研究ベース」と紹介(2026-03-16)。
検証: 確認