GR00T 2 chega como nova geração de foundation world-action models

O GR00T 2 é apresentado pela NVIDIA como uma nova geração de foundation world-action models (WAMs). Um único diffusion transformer remove o ruído do vídeo futuro e de um bloco de ações ao mesmo tempo. O modelo lê vídeo recente (0,8 s de histórico), a instrução e o estado do robô, executa o bloco de ações e repete o ciclo. Roda em garras paralelas, mãos de cinco dedos e humanoides.

O pré-treino mistura três fontes: 402.730 horas de vídeo egocêntrico de pessoas trabalhando, 10.184 horas de demonstrações com garra UMI portátil em 2.897 tarefas e 23.500 horas de teleoperação de robôs (YAM, Franka, mãos Sharpa e Wuji, e o humanoide Unitree G1). Em testes com 72 tarefas, ampliar o vídeo humano de 0% a 100% do pré-treino elevou o progresso de 64% para 77% em rollouts de vídeo e de 50% para 70% no robô real.

Os números de adaptação: em 50 tarefas nunca vistas no robô-alvo, o zero-shot acerta 40%. Com cinco demonstrações por tarefa (menos de 3 minutos de dados de robô) e um fine-tune LoRA de 30 minutos numa única RTX 5090, chega a 95%. Com um modelo de raciocínio chamando o GR00T 2 pela WAM API, o YAM monta três brinquedos em 97 ou mais de 100 tentativas, contra 23 a 84 sem o agente. A própria página aponta limites: no Dexter, as marcas visuais raramente completam a tarefa longa de separar lixo, e elas não transmitem orientação final do objeto nem movimentos como despejar ou limpar.

O GR00T 2 Turbo usa um transformer menor e representação de vídeo mais compacta. Cada predição leva 124 ms no Jetson Thor do próprio G1, com o controlador SONIC cuidando do corpo inteiro.

Em 9 de novembro de 2026, o CEVIU noticiou "NVIDIA apresenta no CoRL o GR00T 2 e ferramentas de simulação para ensinar robôs a manipular objetos delicados", o primeiro registro do GR00T 2 na cobertura. A matéria de agora entra nos detalhes técnicos da página do projeto: dados de pré-treino, taxas de sucesso, o controle por agente e a variante Turbo.

Para quem trabalha com robótica e IA incorporada, o dado mais útil é o custo de adaptação: 30 minutos de LoRA numa GPU de consumo para levar uma tarefa de 40% a 95%. Também sugere que vídeo humano pode substituir parte da teleoperação, que é cara. Os resultados vêm da própria NVIDIA, em seus robôs e tarefas, então vale esperar reprodução independente.