VLA 图库 / 模型列表 / 人形机器人VLA

GR00T N1

NVIDIA · 2025-03

VLA人形机器人VLA2.2Bflow matching

为无动作标签的人类视频·神经生成视频附加潜在动作(LAPA)·逆动力学模型(IDM)伪动作，与实机·仿真数据一起预训练。

论文

GR00T N1: An Open Foundation Model for Generalist Humanoid RobotsarXiv 2503.14734

概述

分类

人形机器人VLA

类型

VLA

发布

2025-03

机构

NVIDIA

权重公开

是

参数

2.2B (VLM 1.34B；DiT未公开)

架构

主干LLM

SmolLM2 · Eagle-2 VLM (使用第12层表征)

视觉编码器

SigLIP-2

动作头

flow matching DiT (4步) (flow matching)

动作块

16步

控制频率

120 Hz

架构原文摘要

System 2：Eagle-2 VLM(1.34B，L40上10 Hz) / System 1：flow-matching DiT，动作块H=16·去噪K=4，120 Hz连续电机动作

训练

预训练加速器

GPU最多1,024张 (GPU-小时以H100计)

预训练时长

未公开

预训练步数·批量

200,000步 · 批量16,384

GPU·TPU-小时

50,000 (明示 · H100-小时（"roughly 50,000"）)

微调

默认 60k 步·批量 1,024（Table 6：20,000~60,000 步，批量 128 或 1,024），GPU·时间未公开；A6000 1张时批量最大 200（适配器+DiT）·16（含视觉编码器）

数据类型

真实机器人遥操作 / 人类视频 / 仿真·合成

数据规模

Total 592.9M帧·8,375.7小时 (机器人262.3M·3,288.8 h，人类181.3M·2,517.0 h，仿真125.5M·1,742.6 h，神经23.8M·827.3 h)

主要数据集

GR-1 Teleop 88.4 h；AgiBot-Alpha 1,979.4 h(140,000条轨迹)；DROID 428.3 h；Ego4D 2,144.7 h；GR-1 Simulation 1,742.6 h；GR-1 Neural Videos 827.3 h

任务·评估

仿真(每任务100条演示)RoboCasa 32.1%·DexMimicGen 66.5%·GR-1 Tabletop 50.0%(平均45.0%)；真实GR-1全量数据平均76.8%，10%数据42.6%

机器人

Fourier GR-1人形机器人(真机·仿真)，Franka·双臂仿真等跨本体；上身·桌面作业，无移动

推理

推理设备·速度

L40 bf16下16步动作块63.9 ms;S2 10 Hz·S1 120 Hz

推理显存

未公开

权重 bf16（计算）

4.4 GB

运行位置

未公开

强化学习与底盘

强化学习

未使用 · flow matching模仿学习(含仿真·神经轨迹)

底盘控制

固定 · 仅控制上半身 (手臂·手·腰·颈)，无移动；RoboCasa也仅输出EE·夹爪

备注

核心特点

为无动作标签的人类视频·神经生成视频附加潜在动作(LAPA)·逆动力学模型(IDM)伪动作，与实机·仿真数据一起预训练。同时公开了预训练GPU-小时与各数据集时长表。

备注

预训练步数经核实修正为Table 6的值200,000，Total行也是核实时新增(NEW)。数据生成compute另计：神经轨迹L40 3,600张·约105k L40 GPU-小时(~1.5天)，DexMimicGen 11小时生成780,000条轨迹(相当于人类演示6,500小时)。

核验

已反映修正