GR00T N1

NVIDIA Isaac GR00T N1 to otwarty model fundamentalny dla uogólnionego rozumowania i umiejętności robotów humanoidalnych. Cross-embodiment model przyjmuje multimodalny input (obrazy + język naturalny) i generuje ciągłe akcje sterujące dla robotów wykonujących zadania manipulacyjne.

Architektura

GR00T N1 używa architektury dual-system inspirowanej ludzką kognicją: System 2 to Vision-Language Model (oparty na NVIDIA-Eagle z SmolLM-1.7B) odpowiedzialny za rozumowanie i planowanie; System 1 to Diffusion Transformer generujący ciągłe trajektorie ruchu robota. Oba systemy są ściśle sprzężone i optymalizowane wspólnie podczas post-treningu.

Trening

Model trenowany na piramidalnym zbiorze danych: dane internetowe i ludzkie wideo u podstawy, dane syntetyczne generowane na NVIDIA Omniverse w środku, oraz dane z prawdziwych robotów (teleoperacja) na szczycie. Połączenie 750 tys. syntetycznych trajektorii (wygenerowanych w 11 godzin za pomocą Isaac GR00T Blueprint) z danymi rzeczywistymi dało 40% poprawę wydajności względem treningu wyłącznie na danych rzeczywistych.

Dostępność

Wagi modelu GR00T-N1-2B są publicznie dostępne na Hugging Face. Kod do fine-tuningu i inferencji w PyTorch dostępny jest na GitHub (NVIDIA/Isaac-GR00T). Minimalna konfiguracja do post-treningu: jedna karta NVIDIA RTX A6000 lub RTX 4090. Inferencja możliwa na NVIDIA Jetson AGX Orin.