在人形机器人从实验室走向产业化的赛道上，英伟达GR00T N系列作为面向人形机器人的开源VLA基础模型，已成为物理 AI 领域的重要技术底座。
从2025年3月首款模型GR00T N1发布，到 2026 年 4 月 N1.7 以 Apache 2.0 许可全面开放商用。GR00T N系列围绕感知与推理能力、动作控制精度与流畅度、数据利用效率、跨本体与场景适配性持续迭代，逐步实现从基础能力验证到工业级实用化的跨越。
本文将按迭代顺序，逐一解析N1、N1.5、N1.6、N1.7的核心细节，帮助读者清晰把握这一演进脉络。
一、GR00T N1（2025.3）：开启开源VLA新时代
2025年3月GTC开发者大会，英伟达推出全球首个开源、可定制的通用人形机器人VLA模型------GR00T N1，为整个系列奠定了"双系统协同"的核心架构。
1. 模型架构
GR00T N1采用"视觉-语言模块（系统2）+ 扩散Transformer模块（系统1）"的双系统架构，两大模块均基于Transformer构建，分工明确、紧密协同：
-
系统2（思考中枢）：以Eagle-2 VLM为视觉-语言骨干，运行频率10Hz，负责处理视觉图像和语言指令，完成深度推理与任务规划，相当于人类的"大脑思考"；
-
系统1（运动中枢）：扩散Transformer（DiT），运行频率120Hz，采用流匹配（Flow Matching）技术快速生成动作指令，相当于人类的"身体执行"。
GR00T N1模型架构 简化版（来源：英伟达论文）
GR00T N1模型架构 详情版（来源：英伟达论文）
公开版本GR00T-N1-2B总参数达22亿，其中VLM占13.4亿参数，双模块端到端联合训练，实现推理与动作的高效协同。
模型的输入输出：
-
****输入：****RGB图像帧（固定分辨率）、机器人本体状态（关节位置、速度等）、自然语言指令。
-
****输出：****绝对关节角度或末端执行器位置为核心的连续动作向量。
2. 模型训练
****1）训练配置与方法：****N1 采用双系统端到端联合训练，以 Flow Matching 流匹配 为核心训练目标，使用 BF16 混合精度 完成训练。模型基于 Eagle-2 VLM + DiT 架构联合优化，实现感知、推理与动作生成的一体化学习，奠定系列基础训练范式。
2） 训练数据： N1 采用英伟达官方数据金字塔异构混合数据体系：以互联网人类视频、网页图文数据为底座，以 Omniverse 生成的仿真合成数据为中层扩充，辅以少量真实机器人遥操作数据做顶层对齐，整体以通用数据为主、真实数据为辅，用于验证基础感知--动作能力。
数据金字塔****（来源：英伟达论文）****
3. 核心特点
-
****开创性：****英伟达全球首个开源、通用、完全可定制的人形机器人VLA 基础模型，奠定双系统架构与跨机器人泛化能力。
-
****生态初建：****1X Technologies、Agility Robotics、傅利叶等已率先接入。
-
****局限性：****语言指令跟随准确率仅约46.6%，泛化能力弱，对新物体、新场景适配性不足。
二、GR00T N1.5（2025.6）：泛化与效率双提升
继N1之后，英伟达于2025年5月在台北电脑展正式发布GR00T N1.5，6月11日完成开源并上线技术博客。作为初代迭代版，N1.5并未改变双系统核心架构，而是聚焦"优化细节、提升泛化"，解决N1在语言跟随、数据利用效率上的不足。
1. 架构优化
N1.5延续双系统设计，但在细节上做了关键改进：
****1）VLM升级：****将Eagle-2升级为Eagle 2.5，视觉定位能力和物理理解能力提升，在GR-1定位任务中IoU达40.4，优于Qwen2.5VL的35.5；
****2）冻结VLM：****预训练和微调阶段均冻结VLM，防止动作训练破坏语言理解能力，提升模型泛化性；
****3）适配器简化：****简化视觉编码器与LLM之间的MLP适配器；同时为输入 LLM 的视觉、文本两路 token 嵌入统一添加层归一化，解决了多模态特征分布不一致导致的训练不稳定问题。
4）新技术集成：
-
FLARE（未来潜在表示对齐）：从动作去噪网络的隐藏状态中预测机器人未来观测的紧凑表示，解锁了从人类视频中学习的能力。
-
DreamGen：通过视频世界模型生成合成神经轨迹数据，提升数据效率。
GR00T N1.5模型架构 （来源：英伟达）
模型输入输出：
-
**输入：**支持可变数量的224×224图像帧（uint8），本体状态可通过padding适配不同维度。
-
**输出：**120Hz端到端连续动作，支持零样本/小样本微调。
2. 模型训练
****1） 训练配置与方法：****N1.5 在 1000 块 H100 GPU 上完成 250K 步预训练，全局批次大小 16384，采用 AdamW 优化器与余弦学习率调度。训练新增 FLARE（未来潜在表示对齐） 目标，与流匹配损失联合训练，使模型能够从无动作标签的人类视频中学习，显著提升数据利用效率。
****2）训练数据：****N1.5 延续 N1 的异构数据混合体系，预训练数据采用精确五分类分布：真实 GR-1 遥操作数据 27.3%、OpenXE 公开机械臂数据 27.3%、Sim GR-1 仿真数据 27.3%、AgiBot-Beta 数据 9.1%、DreamGen 合成神经轨迹数据 9.1%。
其中核心新增：
-
DreamGen 合成数据：通过四步流水线自动生成合成机器人轨迹，突破真实遥操作数据的边界，使模型能够泛化到预训练中从未见过的新动词与新任务（在12个全新动词任务上成功率达 38.3%，远超 N1 的 13.1%）；
-
AgiBot-Beta 多本体数据：补充了不同人形机器人的动作数据，为跨本体迁移能力奠定基础。
GR00T N1.5预训练所使用数据分布（来源：英伟达）********
3. 核心特点
N1.5是N1 的迭代升级版本，在开源、通用、可定制基础上，实现语言跟随、泛化性、数据效率、部署能力全面提升。
-
****语言跟随能力增强：****语言跟随准确率从N1的46.6%提升至93.3%；
-
****泛化能力增强：****支持从人类第一视角视频学习，新物体零样本泛化成功率结合FLARE后达55%；
-
****跨机器人迁移能力显著：****在宇树G1上微调后成功率达98.8%；
-
部署灵活：提供PyTorch与TensorRT推理脚本，支持Ampere至Blackwell全系列GPU及Jetson边缘端部署；
-
****局限性：****DiT仅16层，复杂动作建模能力有限，仍以绝对动作输出为主。
三、GR00T N1.6（2025.12）：精度与流畅度双突破
2025年12月15日，英伟达正式发布GR00T N1.6。通过VLM升级、DiT扩容、动作范式调整，实现了性能的提升，在双手YAM、Agibot Genie-1、Unitree G1等特定真实机器人场景中表现优于N1.5。
1. 架构革新
N1.6实现了"感知+动作"双重升级 ，关键改进包括：
1）VLM升级：采用英伟达内部Cosmos-Reason-2B VLM变体（Eagle-Block2A-2B-v2），支持原生宽高比编码图像，无需填充（Padding），避免视觉信息扭曲，同时在通用视觉语言任务与具身推理任务（如下一步动作预测）上联合训练，感知能力显著提升；
2）DiT扩容：DiT层数从16层翻倍至32层，提升复杂动作轨迹建模能力，可应对叠衣服、插拔GPU导轨等高精度任务；
3）取消适配器：移除N1.5 中VLM 与DiT 间的 4 层 Transformer 适配器，改为预训练阶段解冻 VLM 顶部 4 层参数协同训练，弱化转接模块、降低跨模态特征损耗，强化视觉 - 动作原生联动。
4）动作范式调整 ：引入状态相对动作块预测，替代绝对关节角度或末端执行器位置，减少电机突兀震动，提升动作平滑度，同时引入闭环反馈机制，每步动作生成都基于当前机器人真实状态修正，解决相对动作的误差累积问题。
模型输入输出：
-
****输入：****图像帧最短边缩放至256，支持原生宽高比，无需padding；Sin-Cos状态编码增强，优化本体感知，支持多视角图像联合输入。
-
****输出：****状态相对动作块，动作轨迹更平滑，减少电机突兀震动，可适配不同本体的机器人（如智元Genie-1、宇树G1）。
2. 模型训练
1）训练配置与方法：GR00T N1.6 预训练共计 300K 步 ，全局批次大小为16384 ，采用BF16 + 可训练 FP32 混合精度 训练。训练策略上解冻VLM 顶部 4 层 与动作模块联合训练，动作空间默认使用状态相对动作块 。下游任务后训练通常为10K--30K 步 ，全局批次大小控制在1K 及以下 ，并通过状态正则、数据增强、DAgger、RTC 实时控制等工程技巧提升模型收敛速度、动作平滑度与泛化稳定性。
2）训练数据：在 N1.5 数据混合基础上，GR00T N1.6 预训练新增数千小时真实机器人遥操作数据 ，涵盖YAM 双臂、Agibot Genie1、Unitree G1 全身移动操作 以及BEHAVIOR 仿真环境（Galaxea R1 Pro） 数据。官方数据分布中，仿真BEHAVIOR、真实智元机器人、真实 YAM 双臂 各占约 22.0%，为核心训练来源；其余数据包括仿真GR1（11.0%）、RoboCasa、真实 GR1、真实 Unitree G1、Language Table 与 DROID 等，整体数据真实度与场景多样性显著提升。
GR00T N1.6预训练所使用数据分布（来源：英伟达）****
3. 核心特点
GR00T N1.6 依托架构革新与工程化优化，在真实机器人场景实现全面性能突破，核心优势集中体现为更强的感知能力、更精准流畅的动作控制与更友好的落地适配性。
-
感知升级：原生宽高比图像输入，具身推理能力增强，可应对高精度操作任务。
-
动作优化：32层DiT可建模复杂动作轨迹；相对动作输出提升流畅度与机器人适配性，支持双手协作、全身移动操作。
-
工程友好：提供完善的微调、推理脚本，支持多种学术仿真基准测试。
四、GR00T N1.7（2026.4）：商业就绪，开启灵巧操作新时代
2026年4月，英伟达发布GR00T N1.7（EA）------首个全面开放商业授权的人形机器人VLA模型，采用Apache 2.0许可证，源代码和模型权重均可商用，核心突破是"灵巧性提升"与"商业落地适配"，标志着GR00T N系列从"开源可用"正式走向"产业实用"。
1. 架构升级
N1.7采用"动作级联双系统"（Action Cascade）设计，延续VLA定位，但将高级推理与低级运动控制进行分离，协同效率大幅提升：
-
系统2（推理层）：采用Cosmos-Reason2-2B骨干网络（基于Qwen3-VL定制），负责任务分解与多步骤推理，截取至第12层输出以减少计算量，具备更强的物理世界理解和时空推理能力，支持256K token长上下文窗口；
-
系统1（控制层）：保持32 层 DiT 结构，采用Flow Matching+DiT架构，负责生成精准实时运动指令并通过去噪优化动作准确性；依托流匹配优势，仅需 4 步去噪即可输出高质量动作，远快于传统 DDPM 所需的 50--1000 步，推理效率与实时性大幅提升。
特色设计：
-
AlternateVLDiT：默认启用图像/语言分离交叉注意力机制，让模型交替关注图像token和文本token，避免信息稀释。
-
多本体适配：通过CategorySpecificMLP为最多32种不同机器人本体维护独立编码/解码器权重，共享DiT核心和VLM Backbone。
模型输入输出：
-
****输入：****RGB图像帧（任意分辨率）、自然语言指令、机器人本体感受状态（关节位置、速度、末端执行器位姿）。
-
输出：映射到机器人自由度的连续动作向量，支持手指级控制，可直接对接工业机器人控制系统，支持RTC实时控制推理。
2. 模型训练
N1.7引入EgoScale数据集------20854小时人类第一视角视频，涵盖9869个场景、6015项任务、43237种物体，规模较前代扩大20倍以上。采集方式包括头戴Ego相机、腕部相机、22-DoF手部关节标注、6-DoF腕部位姿。
训练采用"预训练-中间训练-后训练"三阶策略：++++预训练基于EgoScale数据，中间训练使用人类-机器人配对数据适配机器人空间，后训练针对具体任务微调，大幅降低对大规模真机遥操作数据的依赖。++++
英伟达通过研究发现首个机器人灵巧性缩放定律：人类第一视角视频数据量与机器人灵巧操作性能呈对数线性关系（R²=0.9983），数据量越多，模型性能可预测提升。
3. 核心特点
N1.7的核心价值的是"商业落地"与"灵巧突破"：
-
商业就绪：采用Apache 2.0商业许可，源代码和模型权重可自由用于商业产品、训练衍生模型及修改分发，扫清企业部署的法律障碍；
-
灵巧性突破：支持手指级精细操作，可完成可完成注射器抽液、拧开瓶盖、折叠衬衫等接触密集型任务；
-
泛化性提升 ：依托EgoScale数据，新环境、新物体适应能力显著增强，语言跟随精度进一步优化；
-
部署便捷：兼容LeRobot数据集格式，支持从N1.6即插即用升级，适配Ampere至Blackwell系列GPU及Jetson边缘平台。
结语
从N1的开创性奠基，到N1.5的冻结VLM策略让语言跟随准确率翻倍，再到N1.6的DiT翻倍与相对动作范式革新，最终N1.7以2万小时人类视频数据+Apache 2.0商业许可实现工业级落地------英伟达GR00T N系列用不到一年半的时间，将人形机器人的"大脑"从实验室原型推向了工业级商用落地阶段。
随着开源与商业授权的全面开放，GR00T系列有望成为机器人时代的"安卓"，构建起从模型、工具链到芯片的完整开发生态。人形机器人的未来，正在加速到来。