GR00T N1.7

NVIDIA · 2026-03

VLA2026年新增3Bflow matching

以EgoScale人类视频20K小时和机器人演示预训练的开源推理型VLA。

论文

主干LLM: Cosmos-Reason2-2B (Qwen3-VL结构)
视觉编码器: Qwen3-VL视觉
动作头: flow matching DiT 16层 (4步) (flow matching)
动作块: 40步
控制频率: 未公开
架构原文摘要: Cosmos-Reason2-2B VLM(Qwen3-VL结构) + 流匹配DiT动作头(AdaLN，16层；N1.6为32层)；状态·动作维度132，40步时域；人·机器人共享相对末端执行器动作空间

预训练加速器: GB200 64节点 × 每节点GPU 4块 (原文'64 GB200 nodes * 4 gpus per node')
预训练时长: 120小时
预训练步数·批量: 未公开
GPU·TPU-小时: 30,720 (换算 · GB200-小时 (64节点×4 GPU × 120小时))
微调: 未公开 (支持用户微调)
数据类型: 人类视频(EgoScale第一人称) + 真实机器人遥操作 + 仿真·合成
数据规模: 人类视频20K小时(README；二手约32,000小时)；数据点21.6M，数据集13种(含Bridge 60,096条轨迹、DROID约76,000条轨迹、LIBERO 130个任务)
主要数据集: EgoScale人类视频、Bridge、DROID、LIBERO等13种
任务·评估: 仿真DexMG 9·RoboCasa 24·Digital Cousin GR-1 24项任务，真实机器人食品打包·新物体·多机器人协作(卡片无数值)；部分仿真提升61%(二手)；G0.5论文R1lite/R1pro 24.4%
机器人: GR-1(仿真)等人形机器人·跨本体；真机型号卡片未注明

推理设备·速度: TensorRT全流水线：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)为TensorRT DiT-only；去噪4步·相机1台
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: 未使用 · 人类视频·机器人数据监督学习(公开范围)
底盘控制: 人形双足 (指令/潜变量 → RL行走控制器) · G1(SONIC标签)：VLA输出潜在动作token → SONIC学习型WBC解码为含腿部的全身关节，实现行走·操作

核心特点: 以EgoScale人类视频20K小时和机器人演示预训练的开源推理型VLA。支持任务·子任务级推理和手指级灵巧控制。
备注: 已反映修正：Jetson Orin的值为TensorRT DiT-only模式，与其他设备(完整流水线)条件不同。抢先体验2026-03-16(新闻稿)，论坛2026-04-17，GA日期2026-07-07†(二手)。许可：权重NVIDIA Open Model License，代码Apache 2.0(与README概述中'Apache 2.0商用'的表述内部冲突)。预训练能耗41,288 kWh，16.949 tCO2e。GPU·TPU-小时为节点×GPU×时长的换算值。数据时长(h)为README中的人类视频部分(机器人演示另计)。
核验: 已反映修正