NVIDIA GR00T N1.6人形机器人基础模型

NVIDIA GR00T N1.6 是一款面向通用人形机器人技能的视觉—语言—动作基础模型（vision-language-action model，VLA）。NVIDIA Research 页面将其发布日期标为 2025 年 12 月 15 日，并称其为 GR00T N1.5 的改进版本；对应公开权重标为 GR00T-N1.6-3B。本文只讨论 N1.6 这一具体版本：它如何把相机画面、机器人自身状态与文字指令映射为连续动作，以及发布方公开了哪些训练与评测信息。它不是机器人整机、通用运动控制器，也不是装上后便能在任意机器人上直接执行所有任务的软件包。

VLA 的核心任务，是让同一个策略同时利用视觉、语言和动作相关状态，而不是只从文字生成描述，或只根据固定程序执行轨迹。对于 GR00T N1.6，输入包括机器人摄像头拍摄的一帧或多帧 RGB 图像、表示机器人本体状态的数值向量，以及自然语言任务指令。图像视角可以因机器人形态而不同；本体状态通常涉及关节或末端执行器等与当前平台相关的信息。模型据此生成连续数值动作，动作向量对应具体机器人的电机控制变量，含义和维度会随机器人自由度、状态定义及动作接口而变化。

从功能分工看，模型先由视觉—语言部分编码场景与任务，再由动作生成部分根据视觉、语言和本体状态合成一段动作。NVIDIA 的 N1.6 说明将视觉语言部分描述为支持可变分辨率，并能以图像原始宽高比编码，而不是统一填充到固定比例；该部分既接受一般视觉语言任务训练，也接受诸如下一步动作预测的具身推理训练。与 N1.5 相比，N1.6 将扩散 Transformer（DiT）扩大到 32 层，约为前代所述 16 层的两倍；同时取消视觉语言模型之后的四层 Transformer 适配器，改为在预训练阶段解冻视觉语言模型顶部四层。

公开模型卡进一步说明了动作生成方式。视觉与文字表征会与机器人本体状态和动作序列一起进入基于流匹配的 Transformer。训练时，干净动作向量会与高斯噪声向量随机插值，模型学习预测从噪声状态恢复动作所需的速度；推理时，从噪声向量开始，迭代得到连续动作。视觉、语言、本体状态和动作因此共同决定输出，而非把一句话直接翻译成一个固定关节姿势。模型卡还提到视觉语言特征与动作生成器之间的 MLP 连接器经过调整，并且模型与流匹配、世界模型相关目标联合训练。

N1.6 对多数机器人形态采用相对动作分块作为默认动作表示，即根据当前状态预测一段相对于当前位置或姿态的变化，而非始终给出绝对关节角度或绝对末端位置。NVIDIA 在其 N1.6 实验中报告，相对动作表示在其设置下带来更平滑、较准确的动作表现。它也带来代价：如果用于后训练的数据较少，每个相对增量的小偏差都可能逐步累积，削弱机器人及时纠正偏差的能力。这里的“分块”表示一次策略调用预测一段动作序列，实际执行多少步、如何将动作转换为电机命令，仍取决于机器人接口与部署配置。

N1.6 并非只由一种机械臂或一种仿真环境的轨迹训练。NVIDIA 表示，它在 N1.5 已有数据混合的基础上，补充了数千小时遥操作数据，涵盖双臂 YAM、AGIBot Genie1、BEHAVIOR 套件中的仿真 Galaxea R1 Pro，以及 Unitree G1 全身移动操作数据。官方展示的任务例子包括双臂插入部件、整理餐具、折叠衣物、左右手传递物体、机器人取放物品，以及带移动的操作任务。这些任务例子说明训练覆盖的类型，不等于每项任务都能在任意机器人上零样本成功。

NVIDIA 的另一篇 N1.6 系统说明还概述了训练数据由仿真与真实采集构成，涉及 BEHAVIOR、RoboCasa、GR-1 仿真环境，以及 Fourier GR-1、Unitree G1、YAM 双臂、Agibot 和 DROID 等平台或数据源。此处需区分“有哪些数据来源”和“每项数据占多少比例”：研究页给出了训练数据分布图，但公开文字并没有逐项说明精确小时数、各来源的样本量、筛选方法或数据质量指标。因而不宜把数据规模概括成一个足以代表全部数据组成的单一数字。

研究页披露，N1.6 预训练进行了 30 万步，全局批次大小为 16,384。模型转入具体机器人任务后，官方实验通常以规模较小的任务专属数据继续训练，典型为 1 万至 3 万步、全局批次不高于 1,000。这样的两阶段过程体现了基础模型的定位：预训练用多平台、多任务数据提供可迁移的起点，后训练再把策略对准特定机器人、状态定义和任务分布。它不表示只需下载基础权重，就已经在任一目标机械结构上完成校准。

跨机器人共享策略也不等于所有机器人可以共享同一组动作向量。不同平台的自由度、关节顺序、相机安装、坐标系、夹爪与执行器都可能不同。模型必须接收与训练或配置相匹配的状态与观测，并将输出解释为相应平台的动作。开发者通常还需要整理演示数据、指定形态配置、选择动作表示与统计量，进行后训练，再分别在仿真和硬件上评估闭环执行效果。基础模型可以减轻从零开始学习的负担，但不能代替机器人接口适配、数据采集和系统集成。

NVIDIA 将 N1.6 与 N1.5 的比较概括为：在仿真操作基准以及真实的双臂 YAM、Agibot Genie-1 和 Unitree G1 实验中，N1.6 表现更好；官方预期使用者会观察到更好的后训练表现。该表述是模型发布方对其选定实验的报告。N1.6 研究页没有在文字中附上可复算的完整数值成绩表，也没有提供足以据此断言跨机器人、跨任务胜率的统一指标。页内的演示视频和任务清单可说明系统曾被展示的场景，但不能单独替代有明确样本数、对照条件和复现流程的基准评测。

截至本文核查时，本文使用的官方资料中没有找到针对 N1.6 主张的独立复现实验汇总。因此，文中不把 NVIDIA 的比较写成独立验证的事实，也不以没有公开数值的图表推算成功率。即便在已展示的机器人与任务上观察到改进，结论范围也应限于发布方所描述的实验设置：所用机器人、训练数据、后训练配置、控制器和任务难度会影响结果。实际使用者需要自行记录测试条件、任务成功判据、回合数、失败案例和安全措施，才能判断策略是否适合自己的设备。

这个区分对基础模型尤其重要。机器人策略不仅要识别物体或理解指令，还要在不断变化的相机画面和本体状态下持续闭环控制。一次演示能说明特定轨迹曾经完成；它不能证明所有光照、物体摆放、机械误差、障碍物或指令表达变化下都可靠。对于长时任务，还需要关注中间步骤是否遗漏、动作能否恢复，以及机器人是否能在偏离预期时停下或重新规划。

N1.6 的基础权重适合用作研究、原型验证和任务策略开发的起点。NVIDIA 在 2026 年 1 月 8 日发布的系统文章中称，N1.6 预训练权重可用于零样本评估和基本操作原语验证；部署到具体机器人形态或任务时，后训练通常有益。部署流程至少要对齐视觉输入、机器人状态和动作接口；随后准备与目标任务相关的数据，选择合适的训练统计量与正则化方案，后训练并开展闭环评估。训练日志中的损失或单步预测误差并不足以反映实际运行时的安全与成功表现。

NVIDIA 还强调，若预训练与后训练任务分布接近，沿用预训练统计量可能有帮助；若分布差异较大，则可能导致模型欠拟合，需改用后训练统计量。N1.6 收敛较快，官方同时提醒要仔细调参以避免过拟合，并在后训练中使用更强的状态正则化、额外数据增强和与预训练数据共同训练等方法。对于实际 rollout 表现不佳的情形，研究页指出 DAgger 有助于改善策略；在异步执行场景中，训练时或测试时的 RTC 可改善动作平滑度与鲁棒性。这些做法是系统开发经验，不是无需验证即可套用的性能保证。

一个完整机器人栈通常还包括平衡与接触控制、运动执行器、导航、定位、碰撞检测、急停以及任务级安全逻辑。N1.6 生成策略动作，但不自动替代所有这些环节。官方系统文章把它与全身强化学习控制器、合成数据导航以及视觉定位组件组合成 sim-to-real 工作流，恰好说明模型本身与可部署系统之间仍有多层协调工作。不同项目可选择其他低层控制器或感知模块，但需要测量各部分的时序、坐标和错误传播是否相容。

安全方面，官方模型卡指出，这一模型未经测试、也不适用于要求功能安全的关键任务；在此类场景使用，开发者须自行承担责任并加入所需防护措施。实际运行前应在仿真和受控环境中验证紧急停止、速度与力矩限制、动作边界、人员隔离和故障恢复机制。对开放环境中的未知物体、拥挤场所或可能造成伤害的操作，不能把模型的语言理解能力当作安全认证，也不应把展示视频理解成经过认证的部署许可。

GR00T N1.6 是一个有明确版本号的研究模型，不应与整个 GR00T 系列混称。它相对于 N1.5 的变化集中在视觉语言骨干、动作生成器规模、数据混合和相对动作表示；本文讨论的结构和训练细节也都绑定这一版本。NVIDIA 的官方仓库在本文核查日已经列出 N1.7 为当前系列的新版本，并指出后续版本采用了不同的视觉语言骨干和其他模型栈调整。因此，N1.6 页面中“改进”与“跨平台”之类的表述，不能移植成对 N1.7 的完整描述，也不能推断 N1.6 仍是当前最新模型。

简言之，N1.6 的技术意义在于：把多模态场景理解与连续动作生成结合起来，以多机器人演示和仿真数据预训练，再通过任务级后训练适配具体形态。理解这一设计，需要同时看输入与动作表示、训练数据来源、真实机器人闭环实验以及发布方承认的限制。它提供的是可供进一步训练和验证的基础策略，不是无需改造便适用于所有人形机器人的通用控制器；它的评测结论也应保留版本、实验来源和任务边界。