Isaac GR00T N1.5
행동 생성 (VLA)발표일 2025.05가중치 공개 · NVIDIA One-Way Noncommercial License (가중치) / Apache-2.0 (코드)
동결된 Eagle 2.5 이해·계획 (VLM) 모델과 FLARE 목표, DreamGen 합성 데이터로 언어 추종과 일반화를 개선한 GR00T 업데이트(Computex 2025 발표).
- 파라미터
- 3공식
- 제어 빈도
- —값 없음 (미공개이거나 아직 확인하지 못함)
- 적용 로봇
- 1대
- 벤치마크 결과
- 8건
B (10억 개)
Hz · 행동 출력 빈도
윙치키에 연결된 로봇
수록된 점수
공식 자료프로젝트 페이지 research.nvidia.com코드 저장소 github.com가중치 huggingface.co
한눈에 읽기
무엇인가
- 행동 생성 (VLA) — Vision-Language-Action. 영상과 지시를 받아 로봇의 팔·손 동작으로 바꾸는 AI.
- 발표일 2025-05
- 가중치 공개 (NVIDIA One-Way Noncommercial License (가중치) / Apache-2.0 (코드)) — 내려받아 직접 실행·추가 학습할 수 있음
- 이 모델을 쓰는 로봇 1대
- 수록된 벤치마크 결과 8건
- 연결된 학습용 데이터셋 2개
확인된 정보
- 사양 9개 항목 중 6개에 값이 있음
- 공식 공식 6개: 구조, 파라미터 (B), 학습용 데이터셋, 적용 로봇 형태, 추론 하드웨어, 발표 벤치마크
- 벤치마크 결과 8건: 자체 발표 0건 · 자체 발표 외 평가 8건
- 값 확인일 2025-06 · 값마다 출처는 아래 '구조와 학습' 표
확인이 필요한 정보
- 값 없는 기본 사양 (공개 자료에서 찾지 못함): 입력, 제어 빈도 (Hz)
어떤 모델인가
Isaac GR00T N1.5는 엔비디아가 Computex 2025(2025년 5월)에서 GR00T N1의 첫 업데이트로 발표한 휴머노이드용 행동 생성 (VLA) 모델로, 언어 지시 추종과 새 환경·물체에 대한 적응력을 높이는 데 집중했다. Eagle 2.5 기반 이해·계획 (VLM) 모델(2.1B)이 영상과 언어를 인코딩하고, DiT 액션 헤드가 로봇 상태와 VLM 임베딩을 받아 행동을 만드는 틀은 N1과 같다. 다만 VLM을 사전학습·미세조정 내내 동결하고, 어댑터를 단순화하고, 레이어 정규화를 추가했다.
학습 목표에는 flow matching 손실에 더해 미래 잠재 표현을 맞추는 FLARE를 넣어 사람 1인칭 영상에서도 배울 수 있게 했고, H100 GPU 1천 장으로 25만 스텝 사전학습했으며, GR00T-Dreams로 학습용 합성 데이터를 36시간 만에 만들었다고 밝혔다. 엔비디아는 실제 GR-1에서 언어 추종률이 46.6%에서 93.3%로, 합성 궤적으로 다룬 새 동작 12종의 성공률이 13.1%에서 38.3%로 올랐고, Unitree G1의 학습 과제(과일 옮기기)에서 98.8%(새 물체 84.2%)를 냈다고 발표했다. 3B 가중치와 코드가 공개됐으며, Hugging Face 모델 카드는 비상업용으로 표기한다.
회사 공식 페이지와 논문을 바탕으로 정리했어요. 성공률·최초 같은 표현은 회사 발표예요.
구조와 학습
| 구조 | 동결 Eagle 2.5 이해·계획 (VLM) 모델(그라운딩 강화) + flow-matching DiT 액션 헤드, FLARE(미래 잠재 표현 정렬) 목표공식 |
|---|---|
| 파라미터 (B) | 3공식 |
| 학습용 데이터셋 | 실로봇 데이터 + 시뮬레이션 + DreamGen 신경 궤적 + 사람 1인칭 영상공식 |
| 적용 로봇 형태 | Fourier GR-1·Unitree G1(실로봇 평가), SO-101(미세조정 튜토리얼); 시뮬레이션 RoboCasa·DexMG·Language Table공식 |
| 추론 하드웨어 | H100 1장에서 전체 47.88ms (4 디노이징 스텝)공식 |
| 발표 벤치마크 | GR-1 언어 추종 성공률 46.6%→93.3% (N1 대비)공식 |
적용 로봇
- G1 유니트리
벤치마크 결과
결과 날짜 최신순 · 같은 벤치마크라도 세부 조건이 다르면 직접 비교할 수 없어요| 벤치마크 | 세부 조건 | 점수 | 평가 구분 | 결과 날짜 |
|---|---|---|---|---|
| LIBERO | 평균 (Spatial/Object/Goal/Long) | 86.5% | 다른 팀 논문 표 | 2026-05 |
| LIBERO-Plus | Total (7개 교란 차원 종합) | 66.3% | 다른 팀 논문 표 | 2026-05 |
| RoboCasa / RoboCasa365 | GR-1 Tabletop 평균 | 48% | 다른 팀 논문 표 | 2026-05 |
| RoboCasa / RoboCasa365 | RoboCasa Kitchen (24개 과제) 평균 | 65.7% | 다른 팀 논문 표 | 2026-05 |
| RoboCasa / RoboCasa365 | RoboCasa365 평균 (Atomic-Seen/Composite-Seen/Composite-Unseen) | 20% | 다른 팀 논문 표 | 2026-05 |
| SimplerEnv (SIMPLER) | Google Robot – Variant Aggregation 평균 | 43.7% | 다른 팀 논문 표 | 2026-05 |
| SimplerEnv (SIMPLER) | Google Robot – Visual Matching 평균 | 52.4% | 다른 팀 논문 표 | 2026-05 |
| SimplerEnv (SIMPLER) | WidowX (Bridge) 4개 과제 평균 | 62% | 다른 팀 논문 표 | 2026-05 |
학습용 데이터셋
- Open X-Embodiment 구글 딥마인드
- AgiBot World (Alpha/Beta) 애지봇(즈위안)