GR00T N1.6

NVIDIA · 2025-09

VLAヒューマノイドVLA3Bflow matching

N1.5のVLM後段の4層アダプタを取り除き、VLM上位4層の凍結を解除し、DiTを2倍(32層)に拡大した。

論文

バックボーンLLM: Cosmos-Reason-2B変形 (README) / Eagle-Block2A-2B-v2 (N1.7 README)
ビジョンエンコーダ: VLM内蔵
アクションヘッド: flow matching DiT 32層 (4ステップ) (flow matching)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: 内部Cosmos-Reason-2B変種VLM(研究ページ表記はCosmos-2B変種)、上位4層を学習 + 32層DiT; ほとんどのエンボディメントで状態相対の行動チャンク

事前学習アクセラレータ: 非公開
事前学習期間: 非公開
事前学習ステップ・バッチ: 300Kステップ · バッチ16,384
GPU・TPU時間: 非公開
ファインチューニング: 10K~30Kステップ・バッチ1K以下; H100またはL40の1ノード推奨(A6000も可、より長時間); 単一GPUの例 2,000ステップ・バッチ32
データ種類: 実ロボットのテレオペレーション / シミュレーション・合成
データ規模: N1.5混合 + テレオペレーション数千時間を追加; ベースチェックポイント(N1.5・N1.6)のロボットデータ10k+時間
主要データセット: N1.5混合 + YAM双腕、AgiBot Genie-1、シミュレーションGalaxea R1 Pro(BEHAVIOR)、Unitree G1全身ロコマニピュレーションのテレオペレーション
タスク・評価: シミュレーション操作ベンチマークと実機YAM・AgiBot Genie-1・Unitree G1でN1.5比で向上(数値非公開); G1ロコマニピュレーションpick-and-placeのファインチューニング済みチェックポイントを公開
ロボット: Unitree G1(全身)、AgiBot Genie-1、双腕YAM、シミュレーションGalaxea R1 Proなどクロスエンボディメント

推論デバイス・速度: デノイジング4ステップ・単一ビュー・torch.compile: RTX 5090 37 ms(27.3 Hz)、H100 38 ms(26.3 Hz)、RTX 4090 44 ms(22.8 Hz)、Thor 105 ms(9.5 Hz)
推論メモリ: 非公開
重み bf16(計算): 6 GB
実行場所: 非公開

強化学習: 一部 (RL下位制御器との結合) · VLAは模倣学習。G1全身ロコマニピュレーションにDecoupled WBC(下半身RL・上半身IK)を結合
ベース制御: 車輪型·ヒューマノイド歩行 (指令・潜在 → RL歩行制御器) · G1: VLAがnavigate_command・base_height_commandを出力 → RL下半身WBCが歩行; シミュレーションR1 Pro(BEHAVIOR)はbase行動を直接出力

主な特徴: N1.5のVLM後段の4層アダプタを取り除き、VLM上位4層の凍結を解除し、DiTを2倍(32層)に拡大した。Decoupled WBC(RL下半身・IK上半身)と組み合わせてUnitree G1の全身ロコマニピュレーションを行う。
備考: 発表月は検証で2025-09(プレスリリース 2025-09-29、'available soon')に修正; WBCリポジトリ 2025-11-12、研究ページ 2025-12-15。バックボーン表記がNVIDIAの一次出典同士で矛盾(README Cosmos-Reason-2B、研究ページ Cosmos-2B、N1.7 READMEはEagle-Block2A-2B-v2から置き換えたと記述)。'10k+ hours'はN1.5・N1.6のベースチェックポイントを併せて説明する文。ハードウェアガイド: 8× RTX PRO 6000 Blackwellサーバー(スターター)、DGX B300、配備は Jetson AGX Thor。
検証: 修正反映