# Nvidia представила GR00T 2 — модель, которая учит роботов по видео с участием человека

> Новая модель мира и действий предсказывает будущие кадры и движения робота, позволяя осваивать навыки по одной демонстрации человека.

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

Nvidia представила новую ИИ-модель GR00T 2. Она анализирует видео от первого лица, на котором люди выполняют разные задачи, а затем предсказывает, что увидит робот и как ему следует двигаться. В лабораторных испытаниях робот с пятипалыми руками смог зажечь спичку, нарезать банан и бросать посылки — без дистанционного управления при выполнении этих задач.

Nvidia называет GR00T 2 моделью мира и действий (WAM). В отличие от предшественницы GR00T 1, ей не нужны текстовые команды, сопоставленные с изображениями. Вместо этого модель одновременно предсказывает следующий видеокадр и соответствующую команду для моторов: для этого диффузионный трансформер очищает от шума прогнозируемые видео и действия.

## Как обучают модель

Модель обучали на огромном наборе данных: около 400,000 часов видео с наголовных камер, снятого во время работы людей, 10,184 часа демонстраций с ручным захватом UMI и 23,500 часов дистанционного управления роботами. По словам Nvidia, основную часть данных составляет видео с участием людей. Увеличение его объёма повышает успешность выполнения задач роботами в реальных условиях с 50 % до 70 %.

Чтобы научить нового робота выполнять задачу, человек может показать нужные действия в перчатках с датчиками или экзоскелете для пальцев. Система заменяет руку человека на руку робота в прогнозируемом видео и извлекает соответствующие команды управления. По данным Nvidia, после всего нескольких демонстраций и менее чем трёх минут традиционного обучения успешность выросла с 40 % до 95 %.

## Результаты и ограничения

В контролируемых экспериментах робот забивал гвозди, обучившись по одному видео с человеком, а в паре с языковой моделью более высокого уровня, например GPT-6 Astra, собирал игрушечные машинки в 97 % испытаний. Без языковой модели успешность снижалась до 23 %. Для двуногих роботов предусмотрена облегчённая версия GR00T 2 Turbo: она работает на бортовом компьютере Jetson Thor, выдаёт прогноз за 124 ms и справляется с такими задачами, как зачерпывание попкорна, уборка со столов и вытирание жидкостей. Однако вытереть жидкость роботу удавалось менее чем в половине попыток.

Nvidia отмечает несколько препятствий: модель пока не умеет использовать прямые данные от тактильных датчиков, иногда не замечает мелкие ошибки, а языковая модель добавляет около семи секунд задержки на каждый этап планирования. В испытаниях по сортировке мусора из-за этого робот простаивал примерно треть времени.

## Факты

- GR00T 2 обучали на более чем 400,000 часов видео от первого лица с участием людей, 10,184 часах демонстраций с ручным захватом и 23,500 часах дистанционного управления роботами (страница исследования Nvidia).
- В лабораторных испытаниях роботизированная рука с пятью пальцами зажгла спичку, нарезала банан и бросала посылки, обучившись только по видео с участием человека (The Decoder).
- В экспериментах с одной демонстрацией успешность зависела от задачи и составляла от 10 % до 80 %; после пяти демонстраций и менее чем трёх минут работы с роботом она выросла до 95 % (The Decoder).
- В паре с языковой моделью более высокого уровня робот собирал игрушечные машинки как минимум в 97 % испытаний, а без неё — в 23 % (The Decoder).
- GR00T 2 Turbo работает на бортовом компьютере Jetson Thor, выдаёт прогноз за 124 ms и убирает со столов с успешностью 93 % (страница исследования Nvidia).

## Почему это важно

Для производителей эта модель может сократить время и расходы на программирование роботизированных рук для новых задач: возможно, достаточно будет одной демонстрации человека. Однако зависимость от внешних языковых моделей и отсутствие тактильных датчиков означают, что роботы пока не готовы к полностью надёжной работе на производственных линиях.

## Источники и ссылки

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

Обновлено: 2026-11-10