# Nvidia stellt GR00T 2 vor: Roboter lernen Aufgaben aus Videos

> Das neue Welt-Aktionsmodell sagt künftige Bilder und Roboterbewegungen voraus. So können Roboter Fähigkeiten anhand einer einzigen menschlichen Demonstration erlernen.

Oossa · 2026-11-10 · https://oossa.com/de/nvidia-unveils-gr00t-2-model-that-learns-robot-tasks-from-human-video

Nvidia hat ein neues KI-Modell namens GR00T 2 angekündigt. Das System sieht sich Videos aus der Ich-Perspektive von Menschen bei der Arbeit an und sagt dann sowohl voraus, was der Roboter sehen wird, als auch, wie er sich bewegen soll. In Labortests konnte ein Roboter mit fünfgliedrigen Händen ein Streichholz anzünden, eine Banane schneiden oder Pakete werfen – ohne dass diese Aufgaben direkt ferngesteuert wurden.

Nvidia bezeichnet GR00T 2 als Welt-Aktionsmodell (WAM). Anders als sein Vorgänger GR00T 1 benötigt es keine Sprachbefehle, die mit Bildern verknüpft sind. Stattdessen sagt es gemeinsam das nächste Videobild und den dazugehörigen Motorbefehl voraus. Dafür nutzt es einen Diffusion Transformer, der künftige Bilder und Aktionen entrauscht.

## So lernt das Modell

Das Modell wurde mit einem umfangreichen Datensatz trainiert: darunter rund 400.000 Stunden kopfgetragener Videos von Menschen bei der Arbeit, 10.184 Stunden Demonstrationen mit einem UMI-Handgreifer und 23.500 Stunden ferngesteuerter Roboterbedienung. Laut Nvidia macht das menschliche Videomaterial den Großteil der Daten aus. Mehr davon steigere die Erfolgsquote der Roboter bei Aufgaben von 50 % auf 70 %.

Wenn ein neuer Roboter eine Aufgabe lernen soll, kann ein Mensch die einzelnen Schritte mit Datenhandschuhen oder einem Finger-Exoskelett vorführen. Das System ersetzt in seiner Videovorhersage den menschlichen Arm durch den Roboterarm und leitet daraus die passenden Steuerbefehle ab. Nvidia zufolge stieg die Erfolgsquote mit nur wenigen Demonstrationen und weniger als drei Minuten herkömmlichem Training von 40 % auf 95 %.

## Leistung und Grenzen

In kontrollierten Experimenten gelang es einem Roboter, anhand eines einzigen menschlichen Videos Nägel einzuschlagen. Mit einem übergeordneten Sprachmodell wie GPT-6 Astra baute er in 97 % der Versuche Spielzeugautos zusammen. Ohne das Sprachmodell sank die Erfolgsquote auf 23 %. Für zweibeinige Roboter läuft eine abgespeckte Version namens GR00T 2 Turbo auf dem Bordcomputer Jetson Thor. Sie benötigt pro Vorhersage 124 ms und bewältigt Aufgaben wie Popcorn schöpfen, Tische abräumen und Flüssigkeiten aufwischen. Das Aufwischen von Flüssigkeiten gelang allerdings bei weniger als der Hälfte der Versuche.

Nvidia nennt mehrere Hürden: Das Modell kann noch keine direkten Berührungssensoren nutzen, übersieht mitunter subtile Fehler, und das Sprachmodell verursacht pro Planungsschritt eine Verzögerung von etwa sieben Sekunden. Bei Versuchen zum Sortieren von Müll war der Roboter dadurch ungefähr ein Drittel der Zeit untätig.

## Die Fakten

- GR00T 2 wurde mit mehr als 400.000 Stunden Videos von Menschen aus der Ich-Perspektive, 10.184 Stunden Vorführungen mit einem Handgreifer und 23.500 Stunden ferngesteuerter Roboterbedienung trainiert (Nvidia-Forschungsseite).
- In Labortests zündete ein Roboterarm mit fünf Fingern ein Streichholz an, schnitt eine Banane und warf Pakete, nachdem er allein anhand menschlicher Videos gelernt hatte (The Decoder).
- Die Erfolgsquoten variierten je nach Aufgabe und lagen bei Experimenten mit einer einzelnen Demonstration zwischen 10 % und 80 %. Mit fünf Demonstrationen und weniger als drei Minuten Roboterdaten stieg die Erfolgsquote auf 95 % (The Decoder).
- In Verbindung mit einem übergeordneten Sprachmodell gelang das Zusammenbauen von Spielzeugautos in mindestens 97 % der Versuche, ohne Sprachmodell in 23 % (The Decoder).
- GR00T 2 Turbo läuft auf einem Jetson-Thor-Bordcomputer, erstellt jede Vorhersage in 124 ms und räumt Tische mit einer Erfolgsquote von 93 % ab (Nvidia-Forschungsseite).

## Warum es wichtig ist

Für Hersteller könnte das Modell den Zeit- und Kostenaufwand für die Programmierung von Roboterarmen für neue Aufgaben senken, denn möglicherweise reicht dafür eine einzige menschliche Vorführung. Derzeit machen der Bedarf an externen Sprachmodellen und fehlende Berührungssensoren die Roboter jedoch noch ungeeignet für vollständig zuverlässige Produktionslinien.

## Quellen und Referenzen

1. [Nvidia's model GR00T 2 watches humans on video, then imagines itself as the robot](https://the-decoder.com/nvidias-model-gr00t-2-watches-humans-on-video-then-imagines-itself-as-the-robot/) – The Decoder, 2026-11-10
2. [Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation](https://blogs.nvidia.com/blog/robotics-simulation-advancements-corl/) – NVIDIA, 2026-11-09
3. [NVIDIA](https://research.nvidia.com/labs/gear/gr00t-2/) – NVIDIA

Zuletzt aktualisiert: 2026-11-10