Hugging Face

Ein Vision-Language-Action-Modell (VLA) ist ein einzelnes neuronales Netz, das Kamerabilder und eine Anweisung in natürlicher Sprache liest und daraus die nächsten Motorbefehle eines Roboters erzeugt; es entsteht, indem ein Bild-Sprach-Modell mit Roboterdemonstrationen weitertrainiert wird. Google DeepMind, Physical Intelligence, NVIDIA, Figure AI und Skild AI führen, Europa setzt auf NEURA, Humanoid und Genesis AI, und entschieden wird das Rennen zunehmend über die Kosten von Handlungsdaten.

Hugging Face hat am 7. Juli Version 0.6.0 seiner Open-Source-Robotikbibliothek LeRobot veröffentlicht, mit drei Weltmodell-Policies, fünf Vision-Language-Action-Modellen einschließlich NVIDIAs GR00T N1.7, zwei Belohnungsmodellen und sechs Simulationsbenchmarks. NVIDIA kündigte tags zuvor an, GR00T, Isaac Teleop, Isaac Lab-Arena, Jetson-Thor-Unterstützung und bald auch Cosmos 3 in LeRobot zu integrieren.

NVIDIA hat am 1. Juni 2026 auf der GTC Taipei einen Isaac-GR00T-Referenzhumanoiden für die akademische Forschung vorgestellt. Er basiert auf Unitrees H2 Plus mit zwei taktilen Sharpa-Wave-Händen mit je 22 Freiheitsgraden und einem Jetson-AGX-Thor-T5000-Rechner. Unitree soll ihn ab Ende 2026 liefern, einen Preis nannte NVIDIA nicht.

NVIDIA hat auf der GTC am 16. März 2026 GR00T N2 vorgestellt, ein Robotik-Basismodell auf Grundlage der DreamZero-Forschung, das neue Aufgaben in neuen Umgebungen mehr als doppelt so oft lösen soll wie führende VLA-Modelle. GR00T N1.7 mit 3 Milliarden Parametern ging mit kommerzieller Lizenz in den Early Access, NEURA Robotics gehört zu den Anwendern. N2 soll bis Ende 2026 erscheinen.