NVIDIA Isaac GR00T N1.7

是什么

2026 年 3 月 16 日，NVIDIA 在 GTC 上发布 Isaac GR00T N1.7，把它描述为专为人形机器人打造、开放的推理型视觉-语言-动作模型（vision-language-action model），并称其已达到可在真实环境中商用的程度^[1]。所谓视觉-语言-动作模型，指直接以摄像头画面和语言文字指令为输入、输出电机动作的模型，而不只是描述画面内容。模型卡的说法与此一致：它是一个开放的基础模型（foundation model），面向通用的人形机器人推理与技能，接受包括语言和图像在内的多模态输入^[2]。传统机器人控制器通常只为某一项任务、某一个工作空间编写，这类基础模型的意图则是可以被适配到许多任务上。

怎么做的

GR00T N1.7 是该系列中的中等规模成员^[2]。它的结构由预训练的视觉编码器和语言编码器，加上一个流匹配（flow matching）动作变换器组成；后者以视觉、语言和本体感觉（proprioception）为条件，一次建模一整段动作^[2]。通俗地说：编码器把图像和指令变成内部表示，本体感觉提供机器人对自身关节位置与运动状态的感知，动作变换器则一次输出一小段连续动作，而不是单步指令。流匹配是一类生成式方法，学习把样本从简单的噪声分布搬运到目标分布；在这里，目标分布就是一段动作轨迹。

模型的视觉-语言主干是 Cosmos-Reason2-2B，RGB 摄像头画面会先经过预训练的 SigLIP2 视觉变换器^[2]。

后训练变体与数据

该系列提供四个后训练（post-training）变体，分别针对 SimplerEnv Bridge、SimplerEnv Fractal、DROID 和 LIBERO^[2]。模型卡公开了其中几份数据的细节：Bridge 后训练数据是 BridgeData V2 的 LeRobot 格式转换版本，含 60,096 条机器人操作轨迹，覆盖 24 个环境^[2]；DROID 后训练数据约 76,000 条演示轨迹，时长约 350 小时，采集自 52 栋建筑中的 564 个场景，涉及 86 项操作任务^[2]；LIBERO 提供 130 项以语言为条件的操作任务，用于机器人终身学习^[2]。这些数据的侧重点各不相同：场景与建筑的广度、任务种类的数量，或者持续学习新任务的能力。

授权与训练开销

模型以 NVIDIA Open Model License Agreement 发布，可用于商业与非商业用途^[2]。模型卡还估算其训练能耗为 41,288 千瓦时，排放约 16.949 吨二氧化碳当量^[2]。

位置与使用方

Humanoid、LG Electronics、NEURA 和 Noble Machines 正在采用 GR00T N1.7，以扩大人形机器人的部署规模^[1]。对希望让人形机器人听懂指令、看懂画面并动手做事的团队来说，这类开放许可模型的意义在于：感知与动作这一整套能力可以作为一个起点，用自己的数据继续后训练，而不必从头搭建。

^[1]: NVIDIA，《NVIDIA Expands Open Model Families to Power the Next Wave of Agentic, Physical and Healthcare AI》 ^[2]: NVIDIA / Hugging Face，《GR00T-N1.7-3B model card》