NVIDIA GR00T 2: Robotermodell lernt Fähigkeiten aus Menschen-Videos

Die wichtigsten Fakten
- NVIDIAs Projektseite beschreibt die gemeinsame Vorhersage von Video und Roboteraktionen.
- 95 Prozent gelten für 50 geprüfte Aufgaben nach je fünf Vorführungen und 30 Minuten Anpassung, nicht für alle Aufgaben.
- Turbo erreicht laut Hersteller 124 ms mediane Vorhersagezeit auf Jetson Thor, nicht komplette Aufgabendauer.
NVIDIA Research hat GR00T 2 vorgestellt, eine neue Generation seiner Welt-Aktions-Modelle für Roboter. Das Modell sagt künftiges Video und Roboteraktionen gemeinsam voraus: Es lernt, wie physische Interaktionen ablaufen - und welche Aktionen sie auslösen. Alle folgenden Zahlen sind Herstellerangaben von der Projektseite; wir haben nicht nachgemessen.
Drei Fähigkeiten im Überblick
Erstens Übertragung ohne Roboter-Vorführung: Fähigkeiten, die nur Menschen oder Handgeräte zeigen, trägt GR00T 2 auf Roboter über, die sie nie geübt haben. Ein Roboter mit zwei Fünf-Finger-Händen legt etwa einen Labortrichter mit Filterpapier aus und benetzt ihn - nur gezeigt von Menschen - in 65 Prozent der Versuche. Ein YAM-Arm baut einen Spielzeug-LKW komplett zusammen, gezeigt nur mit einem handgeführten UMI-Greifer: 60 Prozent Erfolg bei einer bis zu vier Minuten langen Aufgabe.
Zweitens schnelle Anpassung: Bei 50 Aufgaben, die der Zielroboter nie gesehen hat, liegt GR00T 2 zero-shot bei 40 Prozent. Fünf Vorführungen pro Aufgabe - unter drei Minuten Roboterdaten - heben das laut NVIDIA nach einer 30-minütigen Feinabstimmung auf einer einzelnen RTX 5090 auf 95 Prozent. Mit minimalem Nachtraining setzen zwei 22-DoF-Sharpa-Hände GB300-Speichermodule in 85 Prozent der Fälle ein.
Drittens agentische Steuerung: Ein Reasoning-Modell ruft GR00T 2 über die WAM-API und schafft mit YAM 98, 97 und 97 erfolgreiche Zusammenbauten in jeweils 100 Versuchen mit drei unterschiedlichen Spielzeugen - inklusive Erholung von Fehlern. Markiert das Planungsmodell Greif- und Ablagepunkte im Kamerabild, folgt der Arm Was-und-Wo-Anweisungen in 92 Prozent der Fälle, gegenüber 40 Prozent mit reiner Textanweisung.
Datenbasis und offene Teile
Vortrainiert wurde GR00T 2 laut NVIDIA auf 402.730 Stunden egozentrischer Videos arbeitender Menschen, 10.184 Stunden UMI-Handgriff-Vorführungen über 2.897 Aufgaben und 23.500 Stunden Teleoperation. Die Roboterdaten decken Parallelgreifer-Arme (YAM, Franka), geschickte Hände (Sharpa, Wuji) und den Humanoiden Unitree G1 ab. 100.000 Stunden der Menschen-Videos stehen als Datensatz Human-1M-100K offen auf Hugging Face.
GR00T 2 Turbo läuft direkt auf dem Roboter
Die Variante Turbo ist für Geschwindigkeit gebaut: ein kleinerer Transformer und eine kompaktere Video-Repräsentation, leicht genug für den Jetson Thor im Unitree G1 - die mediane Vorhersagezeit beträgt dort 124 Millisekunden. Über den Ganzkörper-Controller SONIC schöpft und serviert der Roboter Popcorn in allen 48 Versuchen und räumt einen Tisch mit verschiedenen Objekten in 93 Prozent der Versuche ab.
Einordnung: Die Erfolgsraten stammen aus NVIDIAs eigenen Versuchen. Zum Vergleichsstand gegenüber anderen Robotermodellen macht die Projektseite an dieser Stelle keine Angaben; einen unabhängigen Vergleich haben wir nicht geprüft.
Methode
Quellenabgleich am 14. November 2026. Die unten genannten Originalseiten wurden gelesen. Keine eigenen Modell-, Produkt- oder Sicherheitstests.
Häufige Fragen
Was ist die wichtigste Einschränkung?
Turbo erreicht laut Hersteller 124 ms mediane Vorhersagezeit auf Jetson Thor, nicht komplette Aufgabendauer.
Wurde das von der Redaktion selbst getestet?
Nein. Der Artikel gleicht die verlinkten Quellen ab. Leistungs-, Sicherheits- und Verfügbarkeitsaussagen stammen aus den genannten Quellen, nicht aus einem eigenen Produkttest.
Quellen
- GR00T 2: Projektseite und eigene Versuchsergebnisse (NVIDIA Research, abgerufen 2026-11-14)
- PhysicalAI Human-1M-100K dataset (NVIDIA / Hugging Face, abgerufen 2026-11-14)
Weitere Artikel
Transparenzhinweis: Dieser Artikel ist ein redaktioneller Beitrag von Philipp Paulik und entstand mit KI-Unterstützung (Recherche und Textentwurf). Alle Quellen sind unten verlinkt; Zahlen und Aussagen stammen aus diesen Quellen. Das Titelbild ist KI-generiert und im Bild entsprechend gekennzeichnet. Die News-Übersicht auf dieser Seite wird dagegen automatisch aus öffentlichen Feeds aggregiert. So arbeiten wir.