NVIDIA Rilis GR00T 2, Klaim Rata-Rata Sukses 95% pada 50 Tugas Robot dengan Lima Demonstrasi

Sebagian besar data latih model robot terbaru NVIDIA bukan berasal dari robot, melainkan dari manusia yang direkam dari sudut pandang pertama. Taruhannya: apakah video orang bekerja cukup untuk mengajari mesin menirunya.

NVIDIA memperkenalkan GR00T 2, model fondasi robot, pada Senin (9/11/2026) di Conference on Robot Learning di Austin, Texas, menurut Interesting Engineering. Dalam halaman riset resminya, NVIDIA mengklaim rata-rata keberhasilan 95 persen pada 50 tugas setelah lima demonstrasi per tugas dan penyetelan halus 30 menit di satu kartu grafis RTX 5090.

Dari 40 persen menjadi 95 persen

Tanpa pelatihan khusus tugas, GR00T 2 mencapai rata-rata keberhasilan 40 persen pada 50 tugas yang belum pernah didemonstrasikan pada robot target, menurut NVIDIA. Satu demonstrasi mengerek angka itu ke 71 persen. Lima demonstrasi, yang totalnya kurang dari tiga menit data robot per tugas, membawanya ke 95 persen.

Seluruh angka ini adalah klaim NVIDIA dari uji internalnya. Belum ada replikasi independen, dan kode model baru dijanjikan tersedia pada Desember 2026.

Belajar dari video manusia

NVIDIA melatih GR00T 2 dengan tiga sumber data. Pertama, 402.730 jam video manusia dari sudut pandang pertama. Kedua, 10.184 jam demonstrasi dengan alat penjepit genggam UMI di 2.897 tugas. Ketiga, 23.500 jam teleoperasi robot.

Jika dijumlahkan, totalnya 436.414 jam, dan video manusia menyumbang sekitar 92,3 persen. Pendekatan penerjemahannya disebut X-Adapt, yang memindahkan keterampilan dari satu bentuk perangkat keras ke yang lain.

Dalam salah satu uji X-Adapt, tangan robot lima jari menyelesaikan tugas melapisi corong dengan kertas saring dan membasahinya pada 65 persen percobaan, dengan demonstrasi yang dilakukan manusia tanpa mengendalikan robot. Lengan YAM merakit truk mainan pada 60 persen percobaan setelah satu demonstrasi dengan UMI.

Versi Turbo untuk robot humanoid

Varian GR00T 2 Turbo, berukuran dua miliar parameter, berjalan di robot humanoid Unitree G1 dengan komputer onboard Jetson Thor dan membuat prediksi dalam 124 milidetik. Di RTX 5090, waktunya 38 milidetik. NVIDIA menyebut pemangkasan latensi sebesar 66 sampai 86 persen.

Pada uji lapangan, Turbo menyajikan popcorn 48 kali dari 48 percobaan dan membersihkan meja pada 93 persen percobaan. Untuk tugas yang lebih rumit, mode kendali agentik menyelesaikan perakitan pesawat mainan 98 dari 100 percobaan, serta traktor dan mobil Hot Wheels masing-masing 97 dari 100 percobaan. Pembelajaran penguatan di dunia nyata menaikkan keberhasilan tugas kontak rumit dari kisaran 40 sampai 76 persen menjadi 88 sampai 96 persen.

Simulasi sebagai alat uji

NVIDIA juga melaporkan hasil dari simulasi. Pada uji di luar distribusi data latih, keberhasilan naik dari 6,7 persen menjadi 63,3 persen ketika data simulasi ditambahkan, sementara pendahulunya, GR00T 1.7, berada di 40,0 persen. Di tolok ukur 25 tugas pada lengan YAM, korelasi Pearson antara hasil simulasi dan dunia nyata mencapai 0,92 untuk 14 kebijakan yang diuji. Artinya, hasil simulasi cukup mencerminkan hasil di robot sungguhan, setidaknya dalam tolok ukur NVIDIA sendiri.

Dataset terbuka, kode menyusul

Halaman riset NVIDIA menautkan dataset PhysicalAI-Human-1M-100K di Hugging Face. Dua tangan 22 derajat kebebasan buatan Sharpa dipakai untuk uji ketangkasan, termasuk memasang modul memori GB300 dengan keberhasilan 85 persen.

Peneliti robotika kini punya satu contoh lagi bahwa data manusia bisa menggantikan sebagian jam teleoperasi yang mahal. Pertanyaannya, apakah hasil serupa bertahan di luar laboratorium NVIDIA. Penyetelan halusnya hanya memerlukan satu RTX 5090, bukan klaster server, meski kartu itu sendiri sempat menembus $8.500 di pasar pihak ketiga.

Dua hal patut ditunggu: kode yang dijanjikan terbit pada Desember, dan apakah tim lain bisa mengulang angka 95 persen itu dengan robot dan tugas yang berbeda.