Nvidia, Teksas Austin'deki Robot Öğrenmesi Konferansı'nda (CoRL) robot temel modeli GR00T 2'yi tanıttı. Eski sürümlerin görüntü-dil-eylem modellerinden farklı bir dünya-eylem modeli olan GR00T 2, izleyeceği video karelerini ve robotun eylemlerini tek geçişte tahmin edip uyguluyor; şirket, 50 görevde görev başına beş gösterimle yüzde 95 ortalama başarı bildiriyor. Şirket aynı gün 100 bin saatlik birinci-kişi insan videosunu açık veri seti olarak yayımladı; model ağırlıkları Aralık'ta açık kaynak olacak.
Nvidia, Austin’de düzenlenen Robot Öğrenmesi Konferansı’nın (CoRL) ilk gününde robot temel modelinin yeni neslini duyurdu: GR00T 2. Şirketin robotikten sorumlu direktörü Jim Fan’ın kapanış konuşmasında tanıttığı model, önceki GR00T sürümlerinin görüntü-dil-eylem (VLA) yaklaşımından dünya-eylem modeli (world action model) çerçevesine geçiyor: 2 milyar parametreli model, Cosmos dünya-modeli tabanında, kamera görüntülerini ve robotun durumunu okuyup hem gelecek video karelerini hem de bir sonraki eylem dizisini tek bir difüzyon geçişinde üretiyor — önce hayal ediyor, sonra uyguluyor.
Modelin en dikkat çeken yanı eğitim verisi. GR00T 2, ön eğitiminde 402 bin 730 saat birinci-kişi bakışlı insan videosu, 2 bin 897 görev için 10 bin 184 saat elde tutulan tutucu-ucu gösterimi ve 23 bin 500 saat robot uzaktan-kumandası verisiyle eğitildi; veri yelpazesi YAM ve Franka kolları, Sharpa ve Wuji çok-parmaklı eller ile Unitree G1 hümanoydini kapsıyor. İnsan videosu eklenmesi gerçek-robot görev ilerlemesini 72 görevde yüzde 50’den yüzde 70’e çıkardığını bildiriyor şirket. Ve asıl hamle: bu insan verisinin ilk 100 bin saati, dil etiketleri ve el-baş hareket kayıtlarıyla birlikte Hugging Face üzerinde ticari kullanıma açık CC BY 4.0 lisansıyla aynı gün yayımlandı; yanında SimFoundry gerçekten-simülasyona veri hattı ve veri toplama cihazlarının donanım tasarımları da geldi.
Sonuçlar — hepsi Nvidia’nın kendi ölçümleri — çapraz-göveme (cross-embodiment) aktarım üzerine kurulu. İki Sharpa el kullanan bir robot üzerinde, hedef robotun eğitim verisinde hiç bulunmayan 50 görevde model, hiç görev-özel gösterim verilmeden 50 görevin 40’ını en az bir kez tamamladı (ortalama yüzde 40); görev başına tek gösterim ortalamayı yüzde 71’e, beş gösterim — toplamda görev başına üç dakikanın altında robot verisi — yüzde 95’e taşıdı ve 37 görev her denemede başarıya ulaştı. Uyarlama, tek bir RTX 5090 kartında yaklaşık 30 dakikalık ince-ayarla yapılıyor. Gövde aktarımının en çarpıcı örnekleri: bir insanın elde tutulan tutucularla monte ettiği oyuncak kamyon yalnız insan verisiyle eğitilip YAM kolları tarafından uçtan uca tamamlandı (yüzde 60 başarı) ve tuz arıtma görevinin filtreleme adımları, hiç robot uzaktan-kumandası olmadan hareket-yakım eldiveni kayıtlarından öğrenildi (yüzde 65). Şirketin kendi makalesi, test görevlerinin modelin zaten iyi öğrenebildiği görevlerden seçildiğini not ediyor — bu sınırı da aktarmak gerek.
Duyurunun geliştirici yarısı Isaac Lab 3.0: açık kaynak Newton fizik motoruyla daha sıkı bütünleşen eğitim çerçevesi, artık kablo ve kumaş gibi yumuşak nesneleri ve çok eklemli eller simüle edebiliyor; Nvidia, bir beceri-hançereği kıyaslamasında eski PhysX tabanlı sürüme göre 2,5 kata kadar daha hızlı eğitim bildiriyor. Araştırma sayfası GR00T 2’yi dört ayrı liderlik tablosunun hem VLA hem dünya-eylem kategorilerinde ilk üçte sayıyor. Erken deneyiciler arasında Foxconn (sunucu üretiminde fabrika otomasyonu), Siemens (endüstriyel değerlendirme), Nexuni (çamaşır handling) ve güçlendirme-öğrenmeyle Ethernet kabloları takan bir MicroAGI sürümü var — The Next Web’nin notladığı gibi henüz hiçbiri üretim taahhüdü vermiş değil.
Modelin kendisi Aralık’ta geliyor: GR00T 2 ve daha hafif GR00T 2 Turbo ağırlıkları, çapraz-göveme aktarım eğitim tarifiyle birlikte açık kaynak olarak yayımlanacak — bugün açılan veri setleri ve araçlarla birlikte. Nvidia’nın ‘robotik artık elit bir spor değil’ çerçevesi burada somutlaşıyor: yüz binlerce saat insan videosu, simülasyon hattı ve tek-kartlık ince-ayar tarifi küçük ekiplerin eline veriliyor. İnsan hareketinden genel-amaçlı robot becerisi türetme yarışında açık veri hamlesi, modelin kendisinden en az kadar önemli bir adım.