GR00T N1.7

NVIDIA · 2026-03

VLA2026年の新モデル3Bflow matching

EgoScaleの人間動画20K時間とロボットデモで事前学習した公開の推論型VLAである。

論文

バックボーンLLM: Cosmos-Reason2-2B (Qwen3-VL構造)
ビジョンエンコーダ: Qwen3-VLビジョン
アクションヘッド: flow matching DiT 16層 (4ステップ) (flow matching)
チャンク: 40ステップ
制御周期: 非公開
構造の原文要約: Cosmos-Reason2-2B VLM(Qwen3-VL構造) + フローマッチングDiTアクションヘッド(AdaLN、16層; N1.6は32層); 状態・アクション次元132、40ステップホライズン; 人間・ロボット共有の相対エンドエフェクタアクション空間

事前学習アクセラレータ: GB200 64ノード × ノードあたりGPU 4個 (原文「64 GB200 nodes * 4 gpus per node」)
事前学習期間: 120時間
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 30,720 (換算 · GB200-時間 (64ノード×4 GPU × 120時間))
ファインチューニング: 非公開 (ユーザーによるファインチューニングに対応)
データ種類: 人の動画(EgoScale一人称) + 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: 人の動画20K時間(README; 二次情報では約32,000時間); データポイント21.6M、データセット13種(Bridge 60,096軌跡、DROID約76,000軌跡、LIBERO 130タスクを含む)
主要データセット: EgoScale人間動画、Bridge、DROID、LIBEROなど13種
タスク・評価: シミュレーション DexMG 9・RoboCasa 24・Digital Cousin GR-1 24タスク、実ロボットの食料品梱包・新規物体・複数ロボット協調(カードに数値なし); 一部シミュレーションで61%向上(二次情報); G0.5論文 R1lite/R1pro 24.4%
ロボット: GR-1(シミュレーション)などのヒューマノイド・クロスエンボディメント; 実機の機種はカードに記載なし

推論デバイス・速度: TensorRT全パイプライン: H100 80GB・RTX Pro 6000 27.9 ms(35.9 Hz)、AGX Thor 93.8 ms(10.7 Hz); Jetson Orin 216.5 ms(4.6 Hz)はTensorRT DiT-only; デノイジング4ステップ・カメラ1台
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: 不使用 · 人の動画・ロボットデータによる教師あり学習(公開範囲)
ベース制御: ヒューマノイド歩行 (指令・潜在 → RL歩行制御器) · G1(SONICタグ): VLAが潜在行動トークンを出力 → SONIC学習型WBCが脚を含む全身関節にデコードして歩行・操作

主な特徴: EgoScaleの人間動画20K時間とロボットデモで事前学習した公開の推論型VLAである。課題・サブ課題レベルの推論と指単位の器用な制御をサポートする。
備考: 修正反映: Jetson Orinの値はTensorRT DiT-onlyモードで、他の機器(全パイプライン)と条件が異なる。アーリーアクセス 2026-03-16(プレスリリース)、フォーラム 2026-04-17、GA日付 2026-07-07†(二次情報)。ライセンス: 重みはNVIDIA Open Model License、コードはApache 2.0(README概要の'Apache 2.0 商用利用'の記述と内部で矛盾)。事前学習エネルギー 41,288 kWh、16.949 tCO2e。GPU・TPU時間はノード×GPU×時間の換算値。データ時間(h)はREADMEの人の動画分(ロボットデモは別)。
検証: 修正反映