GR00T N1.7 es la nueva base abierta y con licencia comercial de NVIDIA para robots humanoides. Es un modelo Vision-Language-Action (VLA) de 3 mil millones de parámetros diseñado para traducir imágenes y lenguaje natural en acciones continuas de robots, con foco en tareas multi paso y manipulación dextrous a nivel de dedos. ¿Qué significa eso en la práctica? Que puedes llevarlo a la planta de producción, al banco de ensamblaje o a un laboratorio y esperar un comportamiento más confiable en flujos de trabajo complejos.
Qué es GR00T N1.7 y por qué importa
- Modelo open source con licencia comercial, disponible en Hugging Face y GitHub.
- Fue preentrenado con la colección EgoScale: 20,854 horas de video egocéntrico humano, lo que amplía enormemente los datos de manipulación respecto a versiones anteriores.
- Resultado: mejor dexteridad fuera de la caja y menor necesidad de teleoperación masiva para enseñar comportamientos al robot.
¿La idea intuitiva? Humanos y robots comparten una geometría de interacción: dos manos, vista en primera persona y objetos a manipular. Entrenar en video humano sensorizado ofrece priors de manipulación que escalan sin necesidad de demostrar todo en cada robot físico.
Arquitectura: Action Cascade - dos sistemas que se complementan
GR00T usa una arquitectura llamada Action Cascade, que separa razonamiento de alto nivel y control motor fino en dos sistemas:
-
System 2 - Vision-Language Model (VLM): un backbone Cosmos-Reason2-2B que procesa tokens de imagen y la instrucción en lenguaje natural. Aquí se hace la descomposición de tareas y el razonamiento multi paso. Piensa en este sistema como el planificador.
-
System 1 - Diffusion Transformer: un DiT de 32 capas que toma la salida del VLM más el estado proprioceptivo del robot y aplica un proceso de denoising para generar comandos motores continuos en tiempo real. Este es el ejecutor fino, responsable de la precisión en movimientos de múltiples grados de libertad.
Entradas: frames RGB (cualquier resolución) + instrucción en lenguaje + estado proprioceptivo (posiciones articulares, velocidades, poses del efector final).
Salidas: vectores de acción de valor continuo mapeados a los grados de libertad del robot.
Datos y la primera ley de escalado de destreza
El trabajo central detrás de N1.7 es EgoScale: entrenamiento en 20k+ horas de video humano egocéntrico en 20+ categorías de tareas. La contribución clave es la primera ley de escalado de destreza para robots: más datos humanos egocéntricos mejora de forma predecible la capacidad de manipulación fina.
- Pasar de 1k a 20k horas más que duplica la tasa promedio de completado de tareas en los benchmarks que evaluaron.
- Esto permite que manos con 22 DoF realicen tareas de contacto rico, como ensamblaje de piezas pequeñas o manipulación de objetos frágiles.
En pocas palabras: alimentar al modelo con mucho video humano sensorizado aporta priors motores que antes solo se lograban con teleoperación masiva en robots.
Capacidades y validación en hardware real
GR00T N1.7 fue validado en escenarios de loco-manipulación, manipulación sobre mesa y tareas bimanuales dextras en plataformas como Unitree G1, Bimanual Manipulator YAM y AGIBot Genie 1.
- Mejora en razonamiento sobre subtareas y ejecución multi paso.
- Manipulación a nivel de dedo para tareas de contacto rico.
- Soporta inferencia con pocas etapas de denoising para latencia razonable en bucles de control.
Cómo probarlo y adaptarlo a tu robot
Puedes instalar y lanzar un servidor de políticas desde el repositorio oficial. Un flujo mínimo:
git clone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T
cd Isaac-GR00T
bash scripts/deployment/dgpu/install_deps.sh
source .venv/bin/activate
uv run python gr00t/eval/run_gr00t_server.py \
--embodiment-tag GR1 \
--model-path nvidia/GR00T-N1.7
Ejemplo de consulta desde tu loop de entorno en Python:
from gr00t.policy.server_client import PolicyClient
policy = PolicyClient(host="localhost", port=5555)
obs, info = env.reset()
action, info = policy.get_action(obs)
obs, reward, done, truncated, info = env.step(action)
Para fine-tuning en tu propia plataforma usa el formato LeRobot y el script provisto. Ejemplo de lanzamiento:
CUDA_VISIBLE_DEVICES=0 uv run python gr00t/experiment/launch_finetune.py \
--base-model-path nvidia/GR00T-N1.7 \
--dataset-path <TU_RUTA_DE_DATASET> \
--embodiment-tag <TU_EMBODIMENT> \
--modality-config-path <TU_MODALITY_CONFIG> \
--num-gpus 1 \
--output-dir <OUTPUT_PATH> \
--max-steps 2000 \
--global-batch-size 32
Actualizaciones desde N1.6: es un swap directo. Cambia --model-path a nvidia/GR00T-N1.7 y tus configuraciones de embodiment deberían funcionar igual, con mejoras gracias al nuevo backbone VLM y a EgoScale.
Licencia, soporte y hardware
- GR00T N1.7 tiene licencia comercial, lo que permite despliegues en producción.
- Soportado en plataformas NVIDIA Ampere, Hopper, Lovelace, Blackwell y Jetson.
- Repositorio y modelo:
- Modelo en Hugging Face: nvidia/GR00T-N1.7
- Código y documentación: github.com/NVIDIA/Isaac-GR00T
- Portal de desarrolladores: developer.nvidia.com/isaac/gr0ot
Si construyes algo con GR00T N1.7, NVIDIA invita a compartirlo con la comunidad.
Este lanzamiento no es solo una mejora de modelo. Es un cambio de escala en cómo transferimos habilidades humanas a robots: más datos humanos egocéntricos, una separación clara entre planificación y ejecución, y herramientas listas para producir en entornos reales. ¿Listo para llevar manipulación dextrous a tu robot?