GR-2

바이트댄스(Seed)🇨🇳 중국GR (Seed Robotics) 계열

행동 생성 (VLA)발표일 2024.10가중치 비공개

바이트댄스 리서치(현 Seed)의 생성형 비디오-언어-행동 모델로, 약 3,800만 개 인터넷 영상 클립으로 비디오 생성을 사전학습한 뒤 로봇 궤적으로 미세조정했어요. 100여 개 과제에서 평균 97.7% 성공률을 보고했어요.

파라미터: 0.23공식
제어 빈도: —값 없음 (미공개이거나 아직 확인하지 못함)
적용 로봇: —
벤치마크 결과: —

공식 자료프로젝트 페이지 gr2-manipulation.github.io 논문 arxiv.org

무엇인가

행동 생성 (VLA) — Vision-Language-Action. 영상과 지시를 받아 로봇의 팔·손 동작으로 바꾸는 AI.
발표일 2024-10
가중치 비공개 — 설명·결과만 공개됨

확인된 정보

사양 9개 항목 중 5개에 값이 있음
공식 공식 5개: 구조, 입력, 파라미터 (B), 학습용 데이터셋, 발표 벤치마크
값 확인일 2024-10 · 값마다 출처는 아래 '구조와 학습' 표

확인이 필요한 정보

값 없는 기본 사양 (공개 자료에서 찾지 못함): 제어 빈도 (Hz)
수록된 로봇과의 연결 기록 없음 — 쓰이지 않는다는 뜻이 아니라 공개 자료에서 찾지 못했다는 뜻이에요

어떤 모델인가

GR-2는 ByteDance Research 로봇팀이 2024년 10월 기술 보고서로 공개한 생성형 비디오-언어-행동 모델이다. 인터넷 영상으로 사전학습했으며, 언어 지시에 따라 로봇팔을 조작하는 범용 정책이다. 트랜스포머가 언어 지시(고정 텍스트 인코더), VQGAN으로 토큰화한 다시점 영상, 로봇 상태를 받아 미래 영상 프레임과 조건부 VAE 기반 카르테시안 액션 궤적을 함께 생성하고, 궤적 최적화 기반 whole-body control 알고리즘이 이 궤적을 관절 명령으로 바꿔 따라간다.

먼저 Howto100M·Ego4D·Something-Something V2·EPIC-KITCHENS·Kinetics-700과 RT-1·Bridge 로봇 데이터 등 약 3,800만 개 영상 클립(500억 토큰 이상)으로 비디오 생성을 사전학습했고, 이어 로봇 궤적으로 영상 예측과 행동 예측을 함께 미세조정했다. 개발팀은 Kinova Gen3 팔 실험에서 105개 과제 평균 성공률 97.7%, 미학습 물체 67개를 포함한 122개 물체 빈 피킹 성공률 79.0%(GR-1은 33.3%), CALVIN ABCD→D 평균 길이 4.64를 보고했고, 모델이 커질수록 성능이 오른다고 밝혔다. 프로젝트 페이지와 논문에는 코드나 가중치 공개 안내가 없다.

회사 공식 페이지와 논문을 바탕으로 정리했어요. 성공률·최초 같은 표현은 회사 발표예요.

구조와 학습

공식보도루머추정— 값 없음

구조	GPT형 트랜스포머: 비디오 생성 사전학습 + 액션 예측(VQ 영상 토큰 + 조건부 VAE 액션)공식
입력	영상 프레임, 언어 지시, 로봇 상태공식
파라미터 (B)	0.23공식
학습용 데이터셋	인터넷 영상 약 3,800만 클립(약 500억 토큰) 사전학습 + 로봇 궤적 미세조정공식
발표 벤치마크	CALVIN ABCD→D 평균 길이 4.64; 실로봇 100+ 과제 평균 성공률 97.7%공식

출처 3건

arxiv.org [1][2]
gr2-manipulation.github.io [1]

한눈에 읽기