Показать роботу новое действие пять раз и через полчаса получить работающий навык — такой сценарий NVIDIA проверила с моделью GR00T 2. В выбранном наборе из 50 задач средняя успешность выросла с 40% без дополнительных примеров до 95% после пяти демонстраций каждой операции. Но за коротким дообучением стоит большая предварительная подготовка, а сами задачи отбирали по определённому условию.
Что именно показали пять раз
NVIDIA представила GR00T 2 в ноябре 2026 года. Это модель, которая одновременно прогнозирует будущие изображения с камер и действия робота. Получая текущую картину, инструкцию и сведения о состоянии машины, она рассчитывает следующий фрагмент движения вместе с ожидаемым изменением сцены. Такой подход компания называет World Action Model — моделью мира и действий.
В тесте быстрой адаптации использовали робота Dexter. Задачи не встречались в его собственных обучающих данных, но были представлены в видео людей, записях другого робота или обоих источниках. Затем инженеры добавляли записи правильного выполнения уже на Dexter: один пример повышал средний результат до 71%, пять — до 95%.

По данным разработчиков, пять демонстраций содержали меньше трёх минут роботизированных данных на задачу. Адаптация занимала около получаса на одной RTX 5090. Речь о записях демонстраций с данными для управления, а не о любых пяти роликах из интернета.
В техническом отчёте есть существенная оговорка: 50 задач выбрали среди тех, на которых модель после пяти примеров достигала хотя бы 80% успешности. Поэтому итоговые 95% частично объясняются самим отбором. Этот результат показывает возможность быстрой адаптации в выбранных условиях, но не обещает такой же точности на любой новой работе.
Как навык переходит на другое тело
В отдельных опытах NVIDIA проверяла перенос между разными способами показа действия. Например, человек собирал игрушечный самосвал ручным захватом UMI, а затем эту операцию выполнял манипулятор YAM с другой конструкцией. Его успешность составила 60%. Dexter с двумя пятипалыми кистями научился устанавливать фильтр в воронку и смачивать его по человеческим демонстрациям — без дистанционно записанного выполнения именно этой задачи на роботе. Здесь результат составил 65%.

Это разные эксперименты с разными объёмами данных. Их нельзя объединять в обещание, что любой робот освоит любой из показанных навыков ровно после пяти просмотров.
Turbo работает прямо на гуманоиде
Для работы на борту Unitree G1 компания подготовила ускоренную версию GR00T 2 Turbo. На компьютере Jetson Thor одно прогнозирование занимало около 124 миллисекунд. Модель планировала фрагменты движения, а их выполнение обеспечивал отдельный контроллер всего тела SONIC.
В тесте подачи попкорна система справилась со всеми 48 попытками: в каждой требовалось наполнить и поставить два стаканчика. При уборке предметов со стола результат составил 28 успешных попыток из 30. Более сложная уборка с поднятием стакана с пола и вытиранием пролитого оказалась заметно труднее — 14 из 30. Даже у одной системы надёжность сильно зависит от конкретного задания.
Для предварительного обучения GR00T 2 использовали 402 730 часов видео людей от первого лица, 10 184 часа демонстраций с ручными захватами и 23 500 часов записей дистанционного управления роботами. Поэтому пять примеров помогают адаптировать уже подготовленную модель. Если такой подход будет устойчиво работать на новых задачах, инженерам понадобится меньше дополнительных данных при настройке роботов под конкретную работу.
