Le fait
NVIDIA a présenté le 9 novembre 2026, à la Conference on Robot Learning (CoRL) d’Austin, GR00T 2, qu’il appelle un « modèle d’action du monde » : un même modèle prédit la suite de la vidéo vue par le robot et les mouvements à exécuter. Il fonctionne sur des bras à pinces, des mains à cinq doigts et des humanoïdes. Selon NVIDIA, sur 50 tâches jamais montrées au robot cible (seulement vues en vidéo humaine ou sur d’autres robots), il réussit 40 % des essais sans entraînement spécifique ; avec cinq démonstrations par tâche, moins de trois minutes de données robot, il atteint 95 % après un réglage de 30 minutes sur une seule carte RTX 5090. Les poids de GR00T 2 et de sa version allégée GR00T 2 Turbo seront publiés en open source en décembre, selon la présentation rapportée par Humanoids Daily.
Contexte
Le modèle est préentraîné sur environ 402 700 heures de vidéos de personnes au travail filmées à hauteur des yeux, 10 184 heures de démonstrations avec une pince tenue à la main et 23 500 heures de robots téléopérés ; 100 000 heures de vidéo humaine sont déjà ouvertes sur Hugging Face. GR00T 2 Turbo, avec un réseau de 2 milliards de paramètres, tourne directement sur l’humanoïde Unitree G1, à 124 millisecondes par prédiction sur sa puce Jetson Thor. Piloté par un agent de raisonnement, GR00T 2 réussit au moins 97 assemblages de jouets sur 100. Foxconn le teste pour la fabrication de serveurs, Siemens sur des cas industriels, Nexuni pour le linge. NVIDIA sort aussi Isaac Lab 3.0, son cadre open source d’entraînement en simulation : jusqu’à 2,5 fois plus de débit d’entraînement que la version 2.3 sur un test de manipulation fine, avec le moteur physique Newton qui simule câbles et tissus. Deux bancs d’essai ouverts mesurent la dextérité en contexte industriel : DexBench (15 tâches, avec RLWRLD) et VABAR (six tâches, avec l’université de Berkeley).
Pourquoi ça compte
Le goulet de la robotique, ce sont les données de démonstration, lentes et chères à produire. Apprendre surtout de vidéos humaines et transférer un geste d’un robot à un autre réduit ce coût, et rend plausible l’adaptation d’un robot à une nouvelle tâche en quelques minutes.
Lecture Neurone21
Les taux de réussite viennent des équipes de NVIDIA, sur leurs robots et leurs tâches. Les essais chez Foxconn ou Siemens sont des évaluations, pas des déploiements en production. Le vrai test sera la publication des poids en décembre et leur reprise par d’autres laboratoires.