VLA 图库 / 模型列表 / 人形机器人VLA

GR00T N1.6

NVIDIA · 2025-09

VLA人形机器人VLA3Bflow matching

去掉N1.5中VLM后的4层适配器,解冻VLM上部4层,并将DiT扩大2倍(32层)。

论文

主干LLM: Cosmos-Reason-2B变体 (README) / Eagle-Block2A-2B-v2 (N1.7 README)
视觉编码器: VLM内置
动作头: flow matching DiT 32层 (4步) (flow matching)
动作块: 未公开
控制频率: 未公开
架构原文摘要: 内部Cosmos-Reason-2B变体VLM（研究页面标注为Cosmos-2B变体），训练上部4层 + 32层DiT；大多数具身上为状态相对动作块

预训练加速器: 未公开
预训练时长: 未公开
预训练步数·批量: 300K步 · 批量16,384
GPU·TPU-小时: 未公开
微调: 10K~30K步·批量1K以下；推荐H100或L40单节点(A6000也可，但耗时更长)；单GPU示例2,000步·批量32
数据类型: 真实机器人遥操作 / 仿真·合成
数据规模: N1.5混合 + 追加数千小时遥操作;基础检查点(N1.5·N1.6)机器人数据10k+小时
主要数据集: N1.5混合 + YAM双臂,AgiBot Genie-1,仿真Galaxea R1 Pro(BEHAVIOR),Unitree G1全身移动操作遥操作
任务·评估: 在仿真操作基准和真实YAM·AgiBot Genie-1·Unitree G1上相比N1.5有提升(数值未公开)；公开G1运动-操作pick-and-place微调检查点
机器人: Unitree G1(全身)，AgiBot Genie-1，双臂YAM，仿真Galaxea R1 Pro等跨具身形态

推理设备·速度: 去噪 4步·单视角·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）
推理显存: 未公开
权重 bf16（计算）: 6 GB
运行位置: 未公开

强化学习: 部分 (结合RL底层控制器) · VLA为模仿学习。G1全身移动操作结合Decoupled WBC(下身RL·上身IK)
底盘控制: 轮式·人形双足 (指令/潜变量 → RL行走控制器) · G1：VLA输出navigate_command·base_height_command → RL下肢WBC负责行走；仿真R1 Pro(BEHAVIOR)直接输出base动作

核心特点: 去掉N1.5中VLM后的4层适配器,解冻VLM上部4层,并将DiT扩大2倍(32层)。结合Decoupled WBC(RL下半身·IK上半身)实现Unitree G1全身移动操作。
备注: 发布月份在核查中修正为2025-09（新闻稿 2025-09-29，'available soon'）；WBC仓库 2025-11-12，研究页面 2025-12-15。主干表述在NVIDIA一手来源之间冲突（README为Cosmos-Reason-2B，研究页面为Cosmos-2B，N1.7 README称由Eagle-Block2A-2B-v2替换）。'10k+ hours'是同时说明N1.5·N1.6基础检查点的语句。硬件指南：8× RTX PRO 6000 Blackwell服务器（入门），DGX B300，部署 Jetson AGX Thor。
核验: 已反映修正