英伟达在CoRL发布开源世界动作模型GR00T 2与Isaac Lab 3.0：单次演示平均成功率71%

导读

2026年11月9日，英伟达博客作者 Sasa Docca 发文称，在于得克萨斯州奥斯汀举行的机器人学习会议（CoRL）上，公司与合作伙伴发布包括世界动作模型、仿真工具、评测和智能体工作流在内的新开源机器人技术。头条三项是：GR00T 2、Isaac Lab 3.0，以及新的开放基准。

仿真长期被用来训练机器人行走、滚动和跳跃；文章称，它现在也帮助研究者教授需要对齐齿轮、连接线缆和组装小型部件的精细操作。与会的另一条主线是具身智能体机器人（agentic robotics），即引入前沿智能体来生成可解释的实体机器人代码。英伟达有两篇论文入围 CoRL 最佳论文奖六强：GRAIL（用世界模型生成人形运动操作的数字生成流水线）和 RoboTTT（把视觉运动上下文规模扩大三个数量级、同时不增加推理延迟的机器人模型与训练方法）。

GR00T 2：开源世界动作模型

GR00T 2 被定义为建立在 NVIDIA Cosmos 上的开源前沿世界动作模型，训练数据包括多样的机器人与人类数据，其中有 10万小时 英伟达开源的人类第一人称数据。官方列出的要点包括：

• 开箱表现：在评估的 50 项任务中，有 40 项至少完成过一次，且无需针对任务的演示。
• 技能迁移：从人类演示中学习，并在不同机器人本体之间迁移技能，而无需机器人演示。
• 少样本泛化：在每项任务仅一次演示时，50 项任务的平均成功率为 71%；五次演示时升至 95%。
• 智能体控制：智能体可通过 GR00T 2 的 API 和支持工具按序运行技能，并从错误中恢复。

官方称，GR00T 2 目前在 RoboCasa365、RoboLab、RoboDojo 和 MolmoSpaces 等基准的视觉—语言—动作与世界动作模型类别中位列前三，并有多项榜首。应用侧，Nexuni 正在测试用它处理洗衣，富士康将其用于服务器制造的工厂自动化，西门子正在评估工业用例。MicroAGI 通过强化学习对 GR00T 2 做后训练，用 YAM 机械臂完成以太网线插拔，其智能体方法会用 Isaac Lab 3.0 和 Newton 自动创建并校准仿真环境。

在数据工具方面，英伟达还推出把人类视频变成仿真机器人演示的开源 Video to Data 工作流，并介绍在 CoRL 展示的开源模型 EgoHand：它重建三维手部运动，训练数据来自 Noitom Robotics，发布两周内在 Hugging Face 上的下载量超过 4万。

Isaac Lab 3.0 与 Newton 物理

NVIDIA Isaac Lab 是开源机器人学习框架。最新的 3.0 版本允许研究者用智能体快速搭建带仿真资产的训练环境，在 NVIDIA PhysX 与 Newton 物理求解器之间切换，为基于感知的训练选择渲染器，并对 GR00T 这类基础模型应用新的强化学习后训练库。

与开源物理引擎 Newton 的更紧集成，使 Isaac Lab 能够模拟线缆、布料等可变形物体，以及具有许多相互作用关节的灵巧手。官方称，在一项基于视觉的灵巧操作基准上，Isaac Lab 3.0 搭配 Newton 的训练吞吐最高约为 Isaac Lab 2.3 搭配 PhysX 时的 2.5倍。Skild AI 在 CoRL 上宣布了建立在 Newton 上的刚性体求解器 STEEL；Flexion、FieldAI、Dyna Robotics、Walden Robotics 和 Dexmate 等也展示了各自在 Isaac Lab / Isaac Sim / Newton 上的用法。

在 Isaac Lab 中构建的 AlphaNIST 用单一策略学习 NIST 装配任务板上的全部 20 项任务，只靠是否成功的二进制信号操作毫米级零件。它的训练成功率超过 98%，而分任务策略为 81%，GPU 时间大约少 39倍。背后是华盛顿大学与英伟达提出的 Success-Guided Sampling（SGS），把练习集中在策略成功率大约一半的任务上；借助 SGS，机器人训练可以扩展到超过一百万个并行环境。

新基准与智能体编程

Isaac Lab-Arena 是用于规模化策略评估的开源框架，可在数千种变化上并行运行策略。其最新版本 0.4 的开发者预览在 CoRL 发布。两个新的开放基准 DexBench 和 VABAR 被描述为最早一批用 Isaac Lab-Arena 和 Newton 衡量工业任务中灵巧性与适应性的基准。

DexBench 由 RLWRLD 与英伟达合作开发，包含零售、物流、制造和酒店四个场景中的 15 项任务，测试物体、空间和物理变化下的泛化。VABAR（Variational Automation Benchmark for Agentic Robotics）来自加州大学伯克利分校与英伟达，覆盖六项工业任务，每项都有标准化变化、难度分级和成功指标。

在把单项技能连成机器人程序方面，伯克利的 Graph-as-Policy（GaP）框架让智能体在英伟达 Isaac 开源仿真中测试程序，并根据失败加以改进。Ambi Robotics、Bosch Research 和西门子都在探索将 GaP 用于工业自动化工作流。伯克利机器人教授 Ken Goldberg 把具身智能体机器人称作“自1995年互联网以来最令人兴奋的技术发展”。

文中点名的其他合作方还包括 Bosch Research、Dexmate、Dyna Robotics、FieldAI、Flexion、Noitom Robotics、Siemens、Skild AI、RLWRLD、UC Berkeley、Walden Robotics 和华盛顿大学等。

来源

NVIDIA Blog，Sasa Docca，Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation，2026年11月9日。