复现视角读 GR00T N1从预训练配置到 76.8% 真机成功率——训练流程、仿真与真机基准设计以及一份照着就能跑的官方复现清单本文以实验复现的视角回答三个问题这个模型怎么训出来的、在什么基准上测的、成绩单里哪些数字真正值得关注。训练配置与超参整理自论文正文及附录同时对照了官方仓库 Isaac-GR00T 开源的训练脚本与入门文档能落地的部分都给出了真实命令。启元 Q1 的评估体系启发在第七节。复现之前先对齐对象。GR00T N1 要解决的问题是人形机器人缺一个听得懂语言、看得见场景、毫秒级出动作的通用模型它的方法是三件套——双系统架构VLM 负责理解、Flow-Matching DiT 负责高频动作生成交叉注意力耦合、数据金字塔人类视频、合成数据、真机数据三层混合预训练、两段式训练跨机型预训练 单机型后训练。本文要核对的就是这三大件的训练配置与验证结果。一、训练配置全记录1.1 预训练配置把论文里散落在 Sec 2.3、Sec 4.3 和附录的超参数汇总到一起# GR00T-N1-2B 预训练配置pretraining:model:GR00T-N1-2B# 2.2B 参数VLM 1.34B DiT 0.86Bobjective:flow_matching# Eq.1 速度场回归time_sampling:Beta(1.5,1)# τ 采样分布, 截断 s0.999action_chunk_H:16# 动作块长度frozen:[vlm.language_model]# 仅冻结 VLM 语言组件trainable:[vision_encoder,dit,embodiment_adapters]data_mixture:# 数据金字塔三层混合采样-human_videos# 潜动作标签LAPA embodiment-sim_trajectories# 78万条 DexMimicGen 轨迹, 真值动作-neural_trajectories# 827小时, 潜动作 IDM 伪动作-real_teleop# 88小时, 真值动作 潜动作infra:gpus:H100 x 1024 (max)# 单模型最多 1024 卡interconnect:Quantum-2 InfiniBand (fat-tree)orchestrator:NVIDIA OSMOfault_tolerance:Ray-based custom libtotal_compute:50,000 H100 GPU hours50,000 H100 GPU 时是什么概念按公有云 H100 约 2-3 美元/卡时的价格单次预训练的算力成本在 10-15 万美元量级。这个数字决定了基础模型预训练是 NVIDIA 这个量级玩家的游戏多数团队的正确姿势是拿开源权重做后训练。1.2 后训练配置后训练的配置宽松得多这是论文对下游开发者最有实操价值的部分# 后训练配置post_training:batch_size:1024# 默认全局 batch# DexMimicGen 跨机型套件数据量少, 用 128steps:60_000low_data_regime:# 消融实验用的 10% 数据设置data_fraction:0.1neural_traj_cotraining:1:1# 真实:神经轨迹混合比compute_constrained:# 单卡场景对个人开发者最相关gpu:1x A6000adapter_only_tuning:# 只调 adapter 层(action/state enc decoder) DiTmax_batch_size:200vision_encoder_tuning:# 连视觉编码器一起调max_batch_size:16注意单卡 A6000 可用这条——后训练阶段 batch 200 的吞吐需求意味着一张 48G 显存的卡就能把 GR00T N1 适配到一个新任务上。这是开源权重对中小团队的真正意义所在。论文配置之外官方仓库把后训练管线开源成了可直接执行的脚本examples/finetune.sh默认超参如下# examples/finetune.sh 传给训练入口的默认超参--max_steps$MAX_STEPS# 默认 10000--warmup_ratio0.05# 预热比例 5%--weight_decay1e-5--learning_rate1e-4# 后训练学习率比预训练典型值大一个量级--global_batch_size$GLOBAL_BATCH_SIZE# 默认 32--episode_sampling_rate$EPISODE_SAMPLING_RATE# 默认 0.1--save_steps$SAVE_STEPS# 默认 1000保留最近 5 个 checkpoint把论文数字和开源脚本放在一张桌上读有两点值得注意一是后训练学习率 1e-4 配合 5% 预热是小数据微调的保守起点二是 save_total_limit 5——官方默认就只保留最近 5 个 checkpoint这和论文评估协议里取最后 5 个 checkpoint 最高分是同一个假设训练后期波动真实存在单点成绩不可信。二、基准设计三个仿真 四类真机2.1 仿真基准的分层逻辑GR00T N1 选了三个仿真基准覆盖从单臂原子技能到双臂灵巧再到人形桌面的难度阶梯基准任务数机型考察能力数据RoboCasa Kitchen24Franka 单臂基础感知运动技能抓放/开关门/按按钮每任务 3000 演示MimicGen 生成DexMimicGen 套件9双臂 Panda夹爪/灵巧手 GR-1 人形双臂协调 灵巧手控制每任务 1000 演示GR-1 Tabletop24GR-1 人形 Fourier 灵巧手真实任务的数字孪生含铰接物体每任务 1000 演示设计上有一个容易被忽略的细节GR-1 Tabletop 基准的 54 种容器组合是预训练数据中没见过的组合专门用来测组合泛化另外 6 个铰接物体任务放进柜子/抽屉/微波炉并关上考察受限空间下的精确放置。2.2 真机基准的四象限真机 13 个任务分四类四类的设计意图各不相同类别任务数例子考察点Pick-and-Place5托盘→盘子、砧板→锅基础抓放seen/unseen 物体分开统计Articulated3放入木箱/暗柜/白抽屉并关闭受限空间运动控制Industrial3机械零件装箱、网杯倾倒、圆柱双手交接结构化工业流程、工具交互Coordination2双机器人接力求A 放入网杯递给 B多机协作、任务接力Coordination 类任务特别值得注意接收方的策略输入里没有发送方的内部状态两个机器人只能通过物理世界网杯的位置和状态隐式通信。这类任务的失败模式接不准、时序错位暴露的是策略对物理世界状态推断的能力而不是动作执行能力。2.3 评估协议# 评估协议defevaluate(policy,benchmark):ifbenchmark.typesimulation:# 100 次试验/任务; 每 500 步存 checkpoint# 取最后 5 个 checkpoint 的最高分避免训练后期波动误判returnmax(success_rate(ckpt)forckptinlast_5_checkpoints)else:# 真机 10 次试验/任务Pack Machinery 除外: 5 次, 30s 时限# 部分评分: 抓到没放下算 0.5, 完整放置才算 1returnmean(partial_score(trial)fortrialintrials)真机的部分评分制抓对了但没放进去记 0.5是个务实的做法——二值成功率在 10 次试验的样本量下方差太大部分评分能更细地刻画策略卡在哪个执行阶段。仓库里对应的开环评估命令真实如下getting_started/finetune_new_embodiment.md原样uv run python gr00t/eval/open_loop_eval.py\--dataset-path ./demo_data/cube_to_bowl_5\--embodiment-tag NEW_EMBODIMENT\--model-path /tmp/so100/checkpoint-2000\--traj-ids0\--execution-horizon16\--steps400\--modality-keys single_arm gripper注意 --denoising-steps 参数默认值就是 4——论文的 K4 在评估脚本里也是同一个数。三、成绩单三个必须记住的数字3.1 数字一仿真平均 45.0%Table 2 完整转录100 演示/任务的后训练设置方法RoboCasaDexMGGR-1平均BC-Transformer26.3%53.9%16.1%26.4%Diffusion Policy25.6%56.1%32.7%33.4%GR00T-N1-2B32.1%66.5%50.0%45.0%关键观察在 GR-1 列GR00T N1 领先 Diffusion Policy17.3 个百分点是三个基准中优势最大的。GR-1 基准恰好是三机型中最复杂、与真实部署最接近的——机型越复杂、任务越接近真实基础模型预训练的增益越大。反过来读在简单的单臂任务上预训练收益有限6.5%从零训练的策略也不是不能打。3.2 数字二真机平均 76.8%Table 3 完整转录四类真机任务方法Pick-and-PlaceArticulatedIndustrialCoordination平均Diffusion Policy (10% data)3.0%14.3%6.7%27.5%10.2%Diffusion Policy (full data)36.0%38.6%61.0%62.5%46.4%GR00T-N1-2B (10% data)35.0%62.0%31.0%50.0%42.6%GR00T-N1-2B (full data)82.0%70.9%70.0%82.5%76.8%3.3 数字三42.6%这是我认为整份成绩单里最锋利的一个数字——GR00T N1 只用 10% 的真机数据42.6%几乎打平了 Diffusion Policy 用全部数据46.4%的成绩。换算一下全量数据假设是 100 小时GR00T N1 用 10 小时就达到了别人 100 小时的效果。基础模型预训练的本质价值在这一刻具象化了——它把数据需求压缩了一个数量级。对任何数据稀缺的机器人团队这不就是所有人吗这一个数字就足以构成采用预训练 后训练路线的理由。四、消融两个设计选择的数据验证4.1 神经轨迹值多少钱Figure 9 的消融结果后训练混入神经轨迹3k 条/仿真任务100 条/真机任务RoboCasa 30/100/300 数据档平均提升 4.2% / 8.8% / 6.8%真机 10% 数据档8 任务平均提升 5.8%规律中间数据档100 条收益最大。数据太少时模型还没能力消化合成数据数据太多时真机数据本身已经够用合成数据只在有一点但不够的区间里杠杆最大。4.2 潜动作 vs IDM 伪动作谁更好有意思的是两者没有绝对胜负30 条/任务低数据LAPA 略胜 IDM100/300 条/任务IDM 反超且差距随数据增大而拉开论文的解释IDM逆动力学模型需要真机动作数据来训练数据多了伪标签才准数据少时 IDM 本身欠拟合反倒是与真实动作空间无关的 LAPA 更稳。选哪种伪标签取决于你手里有多少真机数据——这比哪个方法更强的结论实用得多。五、定性结果一个消失的涌现行为论文 Sec 4.5 记录了一个值得玩味的现象。预训练模型在把苹果放进篮子任务中如果苹果被刻意摆在左手够到的位置它会自己发明一条三段式解法左手抓 → 双手交接 → 右手放置。没有任何示范教过它这套流程。但后训练模型反而不会了——后训练数据全是右手单手操作微调把交接能力洗掉了。这个现象是灾难性遗忘catastrophic forgetting的一个具身智能案例预训练赋予的泛化能力和后训练追求的任务专精天然是一对矛盾。工程上的应对是后训练时保留一定比例的预训练数据混合论文的 1:1 神经轨迹混合客观上起到了这个作用但专精与通用的最优配比没有免费午餐需要按业务场景调。六、局限性的诚实清单论文 Sec 4.6 自己列了三条翻译过来就是别神化只有短视野桌面操作。长视野行走 操作loco-manipulation不在能力范围内移动底盘、全身协调都是空白。VLM 骨干是瓶颈。空间推理、语言理解的上限被 Eagle-2 锁死作者自己预期更强的 VLM 骨干会带来提升。合成数据不守物理。视频生成模型会生成违反物理定律的画面仿真难以覆盖流体、铰链物体——合成数据的质量天花板尚未解决。七、启元 Q1 的评估体系怎么搭本篇的方法论压缩成 Q1 可以直接执行的评估框架基准设计三层递进L1 技能回放层已有扩展 - 现有 PrimeConsole 动作匹配 时序验证 - 补充: 每技能包录制10次真机执行, 统计完成率 L2 任务成功层1-2 个月搭建 - 定义10-15 个可量化的原子任务(招手到位率/比心时长达标率/台词完整播报率)- 每任务定义部分评分(如: 动作到位但灯效错误0.7)- 仿真跑100次, 真机跑10次, 部分评分取均值 L3 泛化层与训练同步建设 - 新指令: 换措辞问同一技能, 测语言泛化 - 新场景: 换桌面背景/光照, 测视觉泛化 - 数据效率: 每个新技能只给 1h/3h/10h 数据, 画学习曲线三个从论文直接抄的协议细节部分评分制抓到没放下记 0.5——真机小样本下方差更可控取后 5 个 checkpoint 最高分——避免训练后期波动造成误判消融时固定对比 30/100/300 三档数据量——学习曲线比单点成绩信息量大。第 3 条在官方文档里有一个可以直接套用的模板。getting_started/finetune_new_embodiment.md 给出了 SO100 机械臂单卡 H1002000 步上每 500 步存档评估的真实趋势表原样转录CheckpointAverage MSE (traj 0)Average MAE (traj 0)50087.55.63100025.43.30150013.22.18200010.01.76官方文档特意强调绝对值不是目标不同数据集不可比形状才是信号——误差随步数稳定下降说明训练在学平坦或上升说明数据没加载对或学习率不对。Q1 将来评每个新技能就用这张表的格式存档4 个 checkpoint、MSE/MAE 两列、只看趋势定结论。一个必须警惕的坑第五节那个交接能力被洗掉的教训对 Q1 同样成立。将来如果 Q1 走预训练 按技能后训练的路线每个技能包的后训练集里应该混入一定比例的通用数据否则就会出现学会了新招手、忘了怎么比心的 Q1 版灾难性遗忘。一句话总结GR00T N1 的成绩单里最值得记住的不是 76.8%而是 42.6%——预训练把数据需求压掉一个数量级这是所有数据稀缺团队包括 Q1的入场券。论文信息GR00T N1: An Open Foundation Model for Generalist Humanoid RobotsNVIDIA2025 年 3 月arXiv2503.14734开源项目信息项目地址https://github.com/NVIDIA/Isaac-GR00T项目定位GR00T N1 系列基础模型的官方实现Apache 2.0 协议复现资产统一后训练入口gr00t/experiment/launch_finetune.py 与 examples/finetune.sh、开环评估脚本gr00t/eval/open_loop_eval.py、LIBERO/RoboCasa/SimplerEnv/DROID 等仿真基准的接入示例examples/ 目录各附可执行命令新机型路径getting_started/finetune_new_embodiment.md 提供 SO100 单卡后训练全流程教程含 checkpoint 趋势评估模板版本注意仓库主线为 N1.7复现论文 N1 的原始数字需切换对应历史分支或权重版本访问启元机器人开发者社区获取 SDK、仿真工具、开发文档完成从代码仿真到真机落地的全流程开发https://dev.primebot.com/ 
长河君 · 2026/10/23 9:11:45 · 阅读 1.2k 复现视角读 GR00T N1：从预训练配置到 76.8% 真机成功率——训练流程、仿真与真机基准设计，以及一份照着就能跑的官方复现清单
复现视角读 GR00T N1从预训练配置到 76.8% 真机成功率——训练流程、仿真与真机基准设计以及一份照着就能跑的官方复现清单本文以实验复现的视角回答三个问题这个模型怎么训出来的、在什么基准上测的、成绩单里哪些数字真正值得关注。训练配置与超参整理自论文正文及附录同时对照了官方仓库 Isaac-GR00T 开源的训练脚本与入门文档能落地的部分都给出了真实命令。启元 Q1 的评估体系启发在第七节。复现之前先对齐对象。GR00T N1 要解决的问题是人形机器人缺一个听得懂语言、看得见场景、毫秒级出动作的通用模型它的方法是三件套——双系统架构VLM 负责理解、Flow-Matching DiT 负责高频动作生成交叉注意力耦合、数据金字塔人类视频、合成数据、真机数据三层混合预训练、两段式训练跨机型预训练 单机型后训练。本文要核对的就是这三大件的训练配置与验证结果。一、训练配置全记录1.1 预训练配置把论文里散落在 Sec 2.3、Sec 4.3 和附录的超参数汇总到一起# GR00T-N1-2B 预训练配置pretraining:model:GR00T-N1-2B# 2.2B 参数VLM 1.34B DiT 0.86Bobjective:flow_matching# Eq.1 速度场回归time_sampling:Beta(1.5,1)# τ 采样分布, 截断 s0.999action_chunk_H:16# 动作块长度frozen:[vlm.language_model]# 仅冻结 VLM 语言组件trainable:[vision_encoder,dit,embodiment_adapters]data_mixture:# 数据金字塔三层混合采样-human_videos# 潜动作标签LAPA embodiment-sim_trajectories# 78万条 DexMimicGen 轨迹, 真值动作-neural_trajectories# 827小时, 潜动作 IDM 伪动作-real_teleop# 88小时, 真值动作 潜动作infra:gpus:H100 x 1024 (max)# 单模型最多 1024 卡interconnect:Quantum-2 InfiniBand (fat-tree)orchestrator:NVIDIA OSMOfault_tolerance:Ray-based custom libtotal_compute:50,000 H100 GPU hours50,000 H100 GPU 时是什么概念按公有云 H100 约 2-3 美元/卡时的价格单次预训练的算力成本在 10-15 万美元量级。这个数字决定了基础模型预训练是 NVIDIA 这个量级玩家的游戏多数团队的正确姿势是拿开源权重做后训练。1.2 后训练配置后训练的配置宽松得多这是论文对下游开发者最有实操价值的部分# 后训练配置post_training:batch_size:1024# 默认全局 batch# DexMimicGen 跨机型套件数据量少, 用 128steps:60_000low_data_regime:# 消融实验用的 10% 数据设置data_fraction:0.1neural_traj_cotraining:1:1# 真实:神经轨迹混合比compute_constrained:# 单卡场景对个人开发者最相关gpu:1x A6000adapter_only_tuning:# 只调 adapter 层(action/state enc decoder) DiTmax_batch_size:200vision_encoder_tuning:# 连视觉编码器一起调max_batch_size:16注意单卡 A6000 可用这条——后训练阶段 batch 200 的吞吐需求意味着一张 48G 显存的卡就能把 GR00T N1 适配到一个新任务上。这是开源权重对中小团队的真正意义所在。论文配置之外官方仓库把后训练管线开源成了可直接执行的脚本examples/finetune.sh默认超参如下# examples/finetune.sh 传给训练入口的默认超参--max_steps$MAX_STEPS# 默认 10000--warmup_ratio0.05# 预热比例 5%--weight_decay1e-5--learning_rate1e-4# 后训练学习率比预训练典型值大一个量级--global_batch_size$GLOBAL_BATCH_SIZE# 默认 32--episode_sampling_rate$EPISODE_SAMPLING_RATE# 默认 0.1--save_steps$SAVE_STEPS# 默认 1000保留最近 5 个 checkpoint把论文数字和开源脚本放在一张桌上读有两点值得注意一是后训练学习率 1e-4 配合 5% 预热是小数据微调的保守起点二是 save_total_limit 5——官方默认就只保留最近 5 个 checkpoint这和论文评估协议里取最后 5 个 checkpoint 最高分是同一个假设训练后期波动真实存在单点成绩不可信。二、基准设计三个仿真 四类真机2.1 仿真基准的分层逻辑GR00T N1 选了三个仿真基准覆盖从单臂原子技能到双臂灵巧再到人形桌面的难度阶梯基准任务数机型考察能力数据RoboCasa Kitchen24Franka 单臂基础感知运动技能抓放/开关门/按按钮每任务 3000 演示MimicGen 生成DexMimicGen 套件9双臂 Panda夹爪/灵巧手 GR-1 人形双臂协调 灵巧手控制每任务 1000 演示GR-1 Tabletop24GR-1 人形 Fourier 灵巧手真实任务的数字孪生含铰接物体每任务 1000 演示设计上有一个容易被忽略的细节GR-1 Tabletop 基准的 54 种容器组合是预训练数据中没见过的组合专门用来测组合泛化另外 6 个铰接物体任务放进柜子/抽屉/微波炉并关上考察受限空间下的精确放置。2.2 真机基准的四象限真机 13 个任务分四类四类的设计意图各不相同类别任务数例子考察点Pick-and-Place5托盘→盘子、砧板→锅基础抓放seen/unseen 物体分开统计Articulated3放入木箱/暗柜/白抽屉并关闭受限空间运动控制Industrial3机械零件装箱、网杯倾倒、圆柱双手交接结构化工业流程、工具交互Coordination2双机器人接力求A 放入网杯递给 B多机协作、任务接力Coordination 类任务特别值得注意接收方的策略输入里没有发送方的内部状态两个机器人只能通过物理世界网杯的位置和状态隐式通信。这类任务的失败模式接不准、时序错位暴露的是策略对物理世界状态推断的能力而不是动作执行能力。2.3 评估协议# 评估协议defevaluate(policy,benchmark):ifbenchmark.typesimulation:# 100 次试验/任务; 每 500 步存 checkpoint# 取最后 5 个 checkpoint 的最高分避免训练后期波动误判returnmax(success_rate(ckpt)forckptinlast_5_checkpoints)else:# 真机 10 次试验/任务Pack Machinery 除外: 5 次, 30s 时限# 部分评分: 抓到没放下算 0.5, 完整放置才算 1returnmean(partial_score(trial)fortrialintrials)真机的部分评分制抓对了但没放进去记 0.5是个务实的做法——二值成功率在 10 次试验的样本量下方差太大部分评分能更细地刻画策略卡在哪个执行阶段。仓库里对应的开环评估命令真实如下getting_started/finetune_new_embodiment.md原样uv run python gr00t/eval/open_loop_eval.py\--dataset-path ./demo_data/cube_to_bowl_5\--embodiment-tag NEW_EMBODIMENT\--model-path /tmp/so100/checkpoint-2000\--traj-ids0\--execution-horizon16\--steps400\--modality-keys single_arm gripper注意 --denoising-steps 参数默认值就是 4——论文的 K4 在评估脚本里也是同一个数。三、成绩单三个必须记住的数字3.1 数字一仿真平均 45.0%Table 2 完整转录100 演示/任务的后训练设置方法RoboCasaDexMGGR-1平均BC-Transformer26.3%53.9%16.1%26.4%Diffusion Policy25.6%56.1%32.7%33.4%GR00T-N1-2B32.1%66.5%50.0%45.0%关键观察在 GR-1 列GR00T N1 领先 Diffusion Policy17.3 个百分点是三个基准中优势最大的。GR-1 基准恰好是三机型中最复杂、与真实部署最接近的——机型越复杂、任务越接近真实基础模型预训练的增益越大。反过来读在简单的单臂任务上预训练收益有限6.5%从零训练的策略也不是不能打。3.2 数字二真机平均 76.8%Table 3 完整转录四类真机任务方法Pick-and-PlaceArticulatedIndustrialCoordination平均Diffusion Policy (10% data)3.0%14.3%6.7%27.5%10.2%Diffusion Policy (full data)36.0%38.6%61.0%62.5%46.4%GR00T-N1-2B (10% data)35.0%62.0%31.0%50.0%42.6%GR00T-N1-2B (full data)82.0%70.9%70.0%82.5%76.8%3.3 数字三42.6%这是我认为整份成绩单里最锋利的一个数字——GR00T N1 只用 10% 的真机数据42.6%几乎打平了 Diffusion Policy 用全部数据46.4%的成绩。换算一下全量数据假设是 100 小时GR00T N1 用 10 小时就达到了别人 100 小时的效果。基础模型预训练的本质价值在这一刻具象化了——它把数据需求压缩了一个数量级。对任何数据稀缺的机器人团队这不就是所有人吗这一个数字就足以构成采用预训练 后训练路线的理由。四、消融两个设计选择的数据验证4.1 神经轨迹值多少钱Figure 9 的消融结果后训练混入神经轨迹3k 条/仿真任务100 条/真机任务RoboCasa 30/100/300 数据档平均提升 4.2% / 8.8% / 6.8%真机 10% 数据档8 任务平均提升 5.8%规律中间数据档100 条收益最大。数据太少时模型还没能力消化合成数据数据太多时真机数据本身已经够用合成数据只在有一点但不够的区间里杠杆最大。4.2 潜动作 vs IDM 伪动作谁更好有意思的是两者没有绝对胜负30 条/任务低数据LAPA 略胜 IDM100/300 条/任务IDM 反超且差距随数据增大而拉开论文的解释IDM逆动力学模型需要真机动作数据来训练数据多了伪标签才准数据少时 IDM 本身欠拟合反倒是与真实动作空间无关的 LAPA 更稳。选哪种伪标签取决于你手里有多少真机数据——这比哪个方法更强的结论实用得多。五、定性结果一个消失的涌现行为论文 Sec 4.5 记录了一个值得玩味的现象。预训练模型在把苹果放进篮子任务中如果苹果被刻意摆在左手够到的位置它会自己发明一条三段式解法左手抓 → 双手交接 → 右手放置。没有任何示范教过它这套流程。但后训练模型反而不会了——后训练数据全是右手单手操作微调把交接能力洗掉了。这个现象是灾难性遗忘catastrophic forgetting的一个具身智能案例预训练赋予的泛化能力和后训练追求的任务专精天然是一对矛盾。工程上的应对是后训练时保留一定比例的预训练数据混合论文的 1:1 神经轨迹混合客观上起到了这个作用但专精与通用的最优配比没有免费午餐需要按业务场景调。六、局限性的诚实清单论文 Sec 4.6 自己列了三条翻译过来就是别神化只有短视野桌面操作。长视野行走 操作loco-manipulation不在能力范围内移动底盘、全身协调都是空白。VLM 骨干是瓶颈。空间推理、语言理解的上限被 Eagle-2 锁死作者自己预期更强的 VLM 骨干会带来提升。合成数据不守物理。视频生成模型会生成违反物理定律的画面仿真难以覆盖流体、铰链物体——合成数据的质量天花板尚未解决。七、启元 Q1 的评估体系怎么搭本篇的方法论压缩成 Q1 可以直接执行的评估框架基准设计三层递进L1 技能回放层已有扩展 - 现有 PrimeConsole 动作匹配 时序验证 - 补充: 每技能包录制10次真机执行, 统计完成率 L2 任务成功层1-2 个月搭建 - 定义10-15 个可量化的原子任务(招手到位率/比心时长达标率/台词完整播报率)- 每任务定义部分评分(如: 动作到位但灯效错误0.7)- 仿真跑100次, 真机跑10次, 部分评分取均值 L3 泛化层与训练同步建设 - 新指令: 换措辞问同一技能, 测语言泛化 - 新场景: 换桌面背景/光照, 测视觉泛化 - 数据效率: 每个新技能只给 1h/3h/10h 数据, 画学习曲线三个从论文直接抄的协议细节部分评分制抓到没放下记 0.5——真机小样本下方差更可控取后 5 个 checkpoint 最高分——避免训练后期波动造成误判消融时固定对比 30/100/300 三档数据量——学习曲线比单点成绩信息量大。第 3 条在官方文档里有一个可以直接套用的模板。getting_started/finetune_new_embodiment.md 给出了 SO100 机械臂单卡 H1002000 步上每 500 步存档评估的真实趋势表原样转录CheckpointAverage MSE (traj 0)Average MAE (traj 0)50087.55.63100025.43.30150013.22.18200010.01.76官方文档特意强调绝对值不是目标不同数据集不可比形状才是信号——误差随步数稳定下降说明训练在学平坦或上升说明数据没加载对或学习率不对。Q1 将来评每个新技能就用这张表的格式存档4 个 checkpoint、MSE/MAE 两列、只看趋势定结论。一个必须警惕的坑第五节那个交接能力被洗掉的教训对 Q1 同样成立。将来如果 Q1 走预训练 按技能后训练的路线每个技能包的后训练集里应该混入一定比例的通用数据否则就会出现学会了新招手、忘了怎么比心的 Q1 版灾难性遗忘。一句话总结GR00T N1 的成绩单里最值得记住的不是 76.8%而是 42.6%——预训练把数据需求压掉一个数量级这是所有数据稀缺团队包括 Q1的入场券。论文信息GR00T N1: An Open Foundation Model for Generalist Humanoid RobotsNVIDIA2025 年 3 月arXiv2503.14734开源项目信息项目地址https://github.com/NVIDIA/Isaac-GR00T项目定位GR00T N1 系列基础模型的官方实现Apache 2.0 协议复现资产统一后训练入口gr00t/experiment/launch_finetune.py 与 examples/finetune.sh、开环评估脚本gr00t/eval/open_loop_eval.py、LIBERO/RoboCasa/SimplerEnv/DROID 等仿真基准的接入示例examples/ 目录各附可执行命令新机型路径getting_started/finetune_new_embodiment.md 提供 SO100 单卡后训练全流程教程含 checkpoint 趋势评估模板版本注意仓库主线为 N1.7复现论文 N1 的原始数字需切换对应历史分支或权重版本访问启元机器人开发者社区获取 SDK、仿真工具、开发文档完成从代码仿真到真机落地的全流程开发https://dev.primebot.com/