Hugging Face

VLA(视觉-语言-动作)模型是一种把摄像头画面和自然语言指令一并读入、直接输出机器人下一步电机指令的单一神经网络,做法是在能看懂图像的视觉语言模型上再用机器人示范数据训练。谷歌DeepMind、Physical Intelligence、英伟达、Figure AI与Skild AI处于前列,智元机器人代表中国阵营,竞争焦点正从模型结构转向动作数据的获取成本。

Hugging Face于7月7日发布开源机器人学习库LeRobot 0.6.0，新增3个世界模型策略、5个视觉语言动作模型（含英伟达GR00T N1.7）、2个奖励模型和6个仿真基准。英伟达前一天宣布，将GR00T、Isaac Teleop、Isaac Lab-Arena和Jetson Thor支持引入LeRobot，Cosmos 3也即将接入。

英伟达于2026年6月1日在GTC台北发布面向学术研究的Isaac GR00T参考人形机器人，采用宇树科技H2 Plus本体、两只22自由度的Sharpa Wave触觉灵巧手和Jetson AGX Thor T5000计算模组。该机将于2026年底由宇树供货，价格未披露。

英伟达于2026年3月16日GTC主题演讲中预览基于DreamZero研究的新一代机器人基础模型GR00T N2，称其在新环境新任务中的成功率是领先VLA模型的两倍以上。30亿参数的GR00T N1.7进入商业许可抢先体验，DreamZero的主要实验平台为智元G1。N2计划于2026年底前推出。