NVIDIA presentó GR00T 2, un modelo robótico que combina videos humanos, demostraciones y datos de teleoperación para aprender tareas nuevas y transferir habilidades entre distintos cuerpos. Sus resultados incluyen un 40% de éxito en tareas no vistas, aunque las cifras más altas dependen de demostraciones adicionales y pruebas seleccionadas.
***

• GR00T 2 reportó 40% de éxito zero-shot en 50 tareas ausentes de los datos de entrenamiento del robot evaluado.
• El entrenamiento combina horas de video humano y datos robóticos; NVIDIA también abrió 100.000 horas bajo licencia CC BY 4.0.
• Los resultados de simulación y ensamblaje son prometedores, pero la adaptación por tarea y la espera por el agente siguen siendo retos.

NVIDIA enseña a GR00T 2 a aprender de videos humanos, con resultados y límites medibles

NVIDIA presentó GR00T 2 el 9 de noviembre de 2026 en la Conference on Robot Learning (CoRL), celebrada en Austin, y reportó que el modelo alcanzó un 40% de éxito zero-shot en 50 tareas que no aparecían en los datos de entrenamiento del robot objetivo. La propuesta combina videos humanos con datos de robots para que una misma inteligencia pueda actuar sobre distintos tipos de cuerpos, desde brazos con pinzas hasta un humanoide. Según la información difundida por Unite.AI, el modelo tiene 2.000 millones de parámetros y está construido sobre Cosmos-Predict2.5-2B.

El resultado zero-shot se refiere a tareas que el sistema aborda sin recibir demostraciones específicas de esa tarea para el robot evaluado, una condición distinta de las pruebas que incorporan adaptación posterior. GR00T 2 procesa vistas recientes de cámara, el estado del robot y una instrucción escrita; con esos elementos predice las vistas futuras esperadas y la siguiente secuencia de acciones. NVIDIA afirma que un único checkpoint preentrenado puede cubrir brazos con pinzas paralelas, manos diestras y un humanoide, aunque transferir habilidades no elimina la necesidad de evaluar cada configuración.

Video humano y demostraciones forman la base del modelo

El preentrenamiento combina 402.730 horas de video humano en primera persona, 10.184 horas de demostraciones con pinza manual distribuidas en 2.897 tareas y 23.500 horas de teleoperación robótica. Esa mezcla busca exponer al modelo tanto a movimientos y objetivos observados en personas como a interacciones capturadas directamente desde robots. La diversidad importa porque un video humano no equivale a una acción ejecutable por una máquina: el modelo debe relacionar lo que ve con el estado de su propio cuerpo y con las posibilidades de sus actuadores.

Junto con GR00T 2, NVIDIA anunció Human-1M-100K, un conjunto que pone a disposición 100.000 horas de datos humanos. Incluye videos, anotaciones de lenguaje y datos sobre el movimiento de cabeza y manos, y se publica bajo licencia CC BY 4.0, que permite usos comerciales y no comerciales. El lanzamiento amplía el material disponible para entrenamiento, pero no significa que el código del modelo ya esté abierto: la página de investigación de NVIDIA indica que ese código estará disponible en diciembre.

Las pruebas de transferencia entre cuerpos, o cross-embodiment, examinan si una habilidad aprendida con un tipo de robot puede adaptarse a otro con pocos datos robóticos. NVIDIA reportó un 65% de éxito en el montaje de un papel filtro aprendido a partir de demostraciones humanas, sin teleoperación específica para esa tarea. También comunicó un 60% de éxito al transferir el ensamblaje de un camión de juguete desde una pinza manual hacia un brazo YAM, una muestra de transferencia útil pero todavía lejos de garantizar la misma eficacia en cualquier máquina o contexto.

En la evaluación Dexter, GR00T 2 completó al menos un intento en 40 tareas. El éxito promedio llegó al 71% con una demostración por tarea y al 95% con cinco, pero estas últimas cifras corresponden a tareas que el modelo podía aprender bajo condiciones concretas. Las cinco demostraciones sumaban menos de tres minutos de datos robóticos por tarea y luego requerían cerca de 30 minutos de ajuste fino del adaptador en una RTX 5090, de modo que el porcentaje no representa un desempeño sin adaptación.

Las cifras altas dependen de cómo se construye cada prueba

El libro técnico blanco de NVIDIA introduce una salvedad importante para interpretar el 95% de éxito con cinco demostraciones: las tareas se seleccionaron entre aquellas que el modelo podía aprender con cinco episodios y una tasa de éxito de al menos 80%. Por esa razón, el promedio resulta alto en parte por construcción y no debe leerse como una tasa general para todas las tareas posibles. La diferencia entre esa prueba condicionada y el resultado zero-shot permite separar la capacidad de aprendizaje inicial de la mejora obtenida con datos específicos.

La adaptación descrita es relativamente breve en volumen de demostraciones, pero añade una etapa de cómputo por tarea y depende de que el sistema reciba ejemplos adecuados. En un entorno industrial, esa cuenta puede cambiar si hay variaciones en piezas, iluminación, herramientas o disposición del espacio, factores que no quedan resumidos por un promedio agregado. La documentación presentada no afirma que GR00T 2 ya resuelva de forma autónoma cualquier flujo de trabajo; más bien muestra resultados en conjuntos de pruebas concretos y reconoce que la fiabilidad requiere combinar varias técnicas.

El marco de NVIDIA distribuye esas funciones entre el preentrenamiento, que busca amplitud, las demostraciones correctivas y el aprendizaje por refuerzo, que persiguen precisión, y los agentes, que aportan memoria, verificación y recuperación. Esta separación ayuda a entender por qué el desempeño de un modelo no depende únicamente de su arquitectura o del tamaño de su conjunto de entrenamiento. Para usuarios industriales, la evaluación relevante incluye también cuánto ajuste requiere cada tarea y cuánto tiempo necesita el sistema para supervisar y corregir el trabajo.

Los datos abiertos también tienen un alcance distinto del acceso al sistema completo. Human-1M-100K permite reutilizar material humano según las condiciones de CC BY 4.0, mientras que el código de GR00T 2 tiene una fecha de disponibilidad posterior, diciembre, según la página de investigación citada en el material. La separación entre licencia de datos, código y modelo es relevante para organizaciones que quieran reproducir resultados o incorporar componentes a sus propios procesos, y no equivale por sí sola a una implementación lista para producción.

Simulación para practicar tareas de precisión

La base de simulación descrita es Isaac Lab 3.0, disponible de forma general desde el 20 de octubre de 2026. NVIDIA presenta una API común de tareas para distintos backends de física, renderizado y visualización; Newton admite cuerpos rígidos, deformables y partículas, y varios flujos pueden ejecutarse sin instalar Isaac Sim completo. En un benchmark de manipulación diestra basado en visión, la compañía reportó hasta 2,5 veces el rendimiento de entrenamiento de Isaac Lab 2.3 con PhysX cuando Isaac Lab 3.0 se ejecuta con Newton.

AlphaNIST aplica práctica simulada a gran escala a 20 tareas del NIST Assembly Task Board, que incluyen piezas de apenas 4 milímetros. Según NVIDIA, una política compartida, entrenada con una recompensa binaria de éxito o fracaso, alcanzó un 98,2% de éxito en entrenamiento, frente al 81,4% de políticas separadas por tarea, y utilizó aproximadamente 39 veces menos tiempo de GPU. Esas cifras corresponden a entrenamiento en simulación; no son una medición directa del éxito de una política en una fábrica real.

Detrás de AlphaNIST está Success-Guided Sampling, un método desarrollado por la Universidad de Washington y NVIDIA que concentra la práctica en configuraciones cercanas al límite de capacidad de la política, en particular las que resuelve aproximadamente la mitad de las veces. Los autores reportan que el enfoque escala de manera efectiva por encima de un millón de entornos simulados y que permite transferencia zero-shot de políticas de ensamblaje basadas en RGB a hardware UR5e real. La simulación puede acelerar el entrenamiento, pero esa transferencia debe distinguirse de una validación amplia en operaciones industriales.

Para evaluar sistemas de forma repetible, Isaac Lab-Arena ofrece componentes modulares que construyen pruebas en entornos simulados acelerados por GPU. También incorpora análisis de fallos para identificar qué condiciones requieren otro ciclo de entrenamiento, mientras NVIDIA anunció que su vista previa para desarrolladores 0.4 llegaría en CoRL. El valor de este tipo de infraestructura está en hacer comparables los experimentos y describir dónde falla una política, en lugar de reducir el desempeño a una sola cifra de éxito.

Benchmarks y agentes exponen los retos de la operación

DexBench v1.0, desarrollado por RLWRLD junto con NVIDIA, reúne 15 tareas en escenarios de venta minorista, logística, líneas de ensamblaje y alimentos y bebidas de hotel. VABAR, creado por UC Berkeley y NVIDIA, cubre clasificación y colgado de herramientas, engranado de piezas, empaquetado de jeringas e inserción y enrutado de cables, con una biblioteca de 33 habilidades. La página del proyecto VABAR precisa que sus dos niveles actuales de dificultad forman el conjunto de validación y que aún está pendiente un conjunto de prueba más difícil.

Graph-as-Policy, un marco de UC Berkeley, utiliza varios agentes para componer un grafo dirigido e interpretable de habilidades robóticas, probarlo en simulación y revisar su estructura y parámetros tras los fallos. El proyecto reporta que diez iteraciones de ensayo elevaron el resultado de Make Popcorn desde un 33% inicial hasta un 94% en simulación y un 90% en un robot real, equivalente a 18 de 20 ejecuciones. Sus benchmarks actuales se centran en manipulación cuasiestática; los objetos deformables, la dinámica y los objetivos en movimiento siguen como trabajo futuro.

En GR00T 2, un agente de razonamiento secuencia habilidades, supervisa el progreso e invoca rutinas de recuperación cuando caen piezas o el trabajo se detiene, mientras el modelo se ocupa de la manipulación con contacto complejo. NVIDIA reportó que, con datos correctivos y ese agente, el sistema completó 98 ensamblajes de aviones de juguete, 97 de tractores y 97 de Hot Wheels en 100 intentos por juguete, partiendo cada vez de piezas arrojadas aleatoriamente. El ajuste fino supervisado por sí solo alcanzó 69, 51 y 23 ensamblajes, respectivamente, una diferencia que apunta al aporte de la recuperación y la supervisión.

El libro blanco informa por separado un éxito promedio cercano al 70% en sus benchmarks de postentrenamiento de horizonte largo, una medida distinta de los resultados de ensamblaje por juguete. En una prueba de clasificación de basura guiada visualmente, el robot esperó al agente durante una mediana del 38% de cada episodio, lo que revela un costo de latencia asociado a la supervisión. El agente puede ayudar a detectar errores y decidir cómo recuperarse, pero esa espera también puede limitar la velocidad de un flujo de trabajo que requiera respuestas continuas.

NVIDIA indicó que Nexuni está probando GR00T 2 para el manejo de ropa, que Foxconn lo aplica a la automatización de fabricación de servidores y que Siemens evalúa posibles usos industriales. El trabajo divulgado corresponde a pruebas y evaluación, y no se anunció ningún despliegue en producción. Para las empresas, la pregunta pendiente no es solo si el modelo puede completar una tarea en condiciones controladas, sino si mantiene esa fiabilidad al reducir el ajuste por tarea y el tiempo de espera del agente.

Los resultados presentados reúnen avances en transferencia, simulación, aprendizaje correctivo y recuperación, pero también muestran que cada cifra depende de la prueba, el tipo de robot y el acceso a datos de adaptación. GR00T 2 propone una arquitectura en la que el preentrenamiento aporta amplitud y los agentes ayudan a verificar y corregir, mientras la práctica adicional busca precisión. El reto abierto consiste en conservar esos resultados en flujos de trabajo reales sin que la adaptación y la supervisión consuman demasiado tiempo.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín