写给启元 Q1 团队的技术路线备忘录GR00T N1 带来了什么、Q1 该跟进什么——要不要跟、跟什么、钱花在哪、风险在哪本文以技术负责人的视角把 GR00T N1 论文的全部结论收拢成一份可以直接进入评审会的路线备忘录Q1 要不要跟、跟什么、怎么跟、钱花在哪、风险在哪。进入决策内容之前先给没读过论文的评审同事一份 30 秒版摘要。背景人形机器人没有互联网级语料88 小时遥操作数据就是 NVIDIA 能拿到的全部真机家底而机器人控制又要求毫秒级响应——数据稀缺与实时控制是两大死结。方法双系统架构VLM 理解场景、Flow-Matching DiT 高频生成动作、数据金字塔人类视频、合成数据、真机数据三层、预训练加后训练两段式。实验仿真平均成功率 45.0%Diffusion Policy 为 33.4%真机 76.8%对 46.4%且只用 10% 数据即达 42.6%——数据需求被压掉一个数量级。下面所有判断都建立在这份摘要之上。一、先做减法GR00T N1 带给我们的三个确定结论论文读下来信息量很大但真正能作为决策依据的结论只有三条。先把它们钉死结论一动作生成的基线已经被开源权重拉平。GR00T N1 开源了 2.2B 权重 数据配方 仿真基准。任何团队自己训练一个动作生成模型的必要性大幅下降——除非你的机型特殊到它的编码器外挂机制都覆盖不了。Q1 的上肢动作体系不特殊属于它能覆盖的范围。结论二预训练把真机数据需求压缩了一个数量级。10% 真机数据42.6%≈ Diffusion Policy 全量数据46.4%。对一个还没有数据积累的团队这意味着入场券的价格从先攒 100 小时数据降到先攒 10 小时数据。结论三数据生产体系比数据本身更有长期价值。88 小时真机数据通过仿真扩展6,500h 神经轨迹827h 潜动作标注人类视频的工程体系变成训练资产。这套体系里每个环节DexMimicGen、图生视频、VQ-VAE都是开源可复用的。抄体系不是抄数据。这三条结论决定了 Q1 路线图的主轴不自研基础模型基于开源权重做后训练同步搭建自己的数据生产体系。二、Q1 现状盘点资产负债表路线图之前先诚实地盘一盘 Q1 现在有什么、缺什么。资产端资产内容对基础模型路线的价值硬件载体Q1 桌面级机器人上肢动作体系部署平台动作空间小是轻量化优势技能包体系JSON 配置 模板渲染 .rpk 打包 PrimeConsole 校验结构化行为描述可直接转化为种子数据场景定位情绪助手鼓励/早安/倒计时等交互场景数据需求量小适合小数据后训练路线工程能力构建脚本、校验体系、发布流程数据生产流水线的工程基础负债端缺口现状补齐难度遥操作数据0 小时低——Leap Motion 方案几百元即可启动仿真训练环境PrimeConsole 仅做验证仿真非训练仿真中——需要搭 Isaac Sim 数字孪生GPU 算力无训练集群低——后训练单卡 A6000 即可论文附录配置仅调 adapter DiT 时 batch 可达 200训练人才技能包开发为主中——后训练流程有开源代码可循盘完的结论Q1 的短板集中在数据侧且每一项都有低成本的起步方案。不存在条件不成熟的问题只存在什么时候开始的问题。三、路线图三个阶段每阶段一个可验收的里程碑阶段一数据起步期0-3 个月目标把数据资产从 0 做到 1验证技术可行性。行动项具体内容预算量级交付物遥操作启动采购 Leap Motion录制鼓励/早安/倒计时三个技能的演示数据千元级10-20 小时指令 上肢动作数据种子数据转化将现有技能包 JSON 的执行过程录制为训练三元组0每技能 50 条结构化样本数字孪生搭建Isaac Sim 中构建 Q1 模型参数化 3 个现有技能动作工程人月可生成仿真数据的仿真环境技术预研跑通 Isaac-GR00T 开源仓库在其仿真基准上复现论文数字0开源复现报告。仓库 examples/ 目录自带 LIBERO、RoboCasa、SimplerEnv 等基准的现成脚本与后训练命令零样本推理用仓库自带 demo 数据即可跑通无需自备数据里程碑验收标准拿到 GR00T N1 权重用 Q1 的仿真环境完成一次概念验证后训练哪怕只让模型学会输出一个可识别的招手序列证明整条链路通。阶段二模型适配期3-12 个月目标产出第一个部署到 Q1 真机上的学习式技能。行动项具体内容依据对应论文结论数据扩容仿真数据扩到百小时级遥操作数据扩到 50 小时结论二10 小时级真机数据即可启动神经轨迹试点用图生视频模型为 1 个技能生成变体数据按 1:1 与真机数据混合论文消融中等数据档收益最大100 演示档 8.8%后训练流水线单卡 A6000 跑通 adapter DiT 微调固化超参配置论文后训练配置batch 200, 60k steps端侧推理压缩对 System 1 部分做量化/蒸馏目标 100M 参数上机论文架构Q1 动作维度远低于 GR-1评估体系落地三层评估框架技能回放/任务成功/泛化论文真机部分评分制 checkpoint 取分协议里程碑验收标准一个学习式技能在 Q1 真机上跑通成功率不低于同场景预设技能包的 80%且具备至少一种预设技能不具备的能力如响应变体指令。阶段三架构升级期12-36 个月目标从学习式技能进化到云端理解 端侧行动的双系统架构。云端部署轻量化 VLM 承担 System 2 角色场景理解、任务规划、台词生成——Q1 现有的 TTS 台词体系天然衔接端侧蒸馏后的动作生成头承担 System 1 角色接入现有动作执行层技能包体系转型JSON 技能包不废弃降级为动作原语 兜底策略——模型输出异常时回退到确定性技能这是交互型产品的安全设计不是技术妥协。里程碑验收标准用户可以用自然语言让 Q1 完成一个预设技能库里不存在的上肢动作组合。四、预算测算这件事到底要花多少钱按阶段二稳态运行估算年度成本区间取中性值科目配置年成本估算训练算力云端单卡 A6000/A100 按需租用后训练为主1-5 万元数据采集Leap Motion 设备 兼职操作员工时50 小时数据2-5 万元存储/管理数据版本管理、仿真资产1-2 万元人力1-2 名工程师可与现有技能包开发复用主要成本项合计不含人力—5-12 万元/年对比参照GR00T N1 一次预训练是 10-15 万美元。Q1 走开源权重 后训练路线的全部算力开销约为 NVIDIA 一次预训练成本的百分之一量级。这就是开源基础模型对垂直场景团队的真实意义。五、风险清单与对冲风险概率影响对冲措施Q1 算力跑不动压缩后的动作模型中高兜底方案模型跑在配套 App/边缘盒子Q1 仅做执行端后训练出现灾难性遗忘学会了新的忘了旧的高中后训练集混入通用数据论文实证后训练会洗掉预训练涌现的双手交接能力技能包兜底机制GR00T N1 后续版本断档或协议变更低中数据生产体系自持动作原语层与模型解耦学习式技能的用户体验不如精调的预设技能中高产品策略上并行预设技能保底体验学习式技能做增量惊喜数据合规用户家庭场景录制中高遥操作数据全部内部采集家庭数据只做本地处理其中第五条值得单独强调Q1 是进家庭的产品数据合规的红线从采集第一天就要划好——GR00T N1 的数据全部来自内部遥操作和公开数据集这个做法本身就值得照抄。六、两周内可以启动的五件小事路线图再宏大也要落到下周一。这五件事不需要任何预算审批克隆 Isaac-GR00T 仓库在 Colab 或任意一张云卡上跑通推理 demo亲眼看到 63.9ms 出一个动作块是什么体验用手机录 10 段同事演示招手、比心、加油的视频——这就是最粗糙但真实的第一批行为数据把现有三个技能包的执行过程导出成结构化 JSON指令、动作序列、时长统计一下到底有多少条可用样本下载 Leap Motion 的 SDK 文档读一遍确认它的上肢追踪精度对 Q1 的动作空间够用组织一次 90 分钟的内部评审把这篇备忘录过一遍对齐要不要跟、谁来做、第一步做什么。基础模型时代的竞争胜负手的差别往往不在技术判断判断大家都差不多而在从判断到第一行数据的启动速度。附前两件事的实际操作命令命令均已对照官方仓库当前文档核实周一就能用# 事项 1: 跑通开源仓库环境要求 Python 3.12 CUDA GPU详见官方 READMEgitclone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T.gitcdIsaac-GR00Tcurl-LsSfhttps://astral.sh/uv/install.sh|shuvsync--python3.12# 零样本开环推理权重首次运行自动下载uv run python scripts/deployment/standalone_inference_script.py\--model-path nvidia/GR00T-N1.7-3B\--dataset-path demo_data/droid_sample\--embodiment-tag OXE_DROID_RELATIVE_EEF_RELATIVE_JOINT\--traj-ids12\--inference-mode pytorch\--execution-horizon8# 后训练入口单卡可跑CUDA_VISIBLE_DEVICES0uv run python gr00t/experiment/launch_finetune.py\--base-model-path nvidia/GR00T-N1.7-3B\--dataset-path ./demo_data/cube_to_bowl_5\--embodiment-tag NEW_EMBODIMENT\--num-gpus1\--output-dir /tmp/so100\--max-steps2000\--global-batch-size32两个事实核查结论同步给评审会其一仓库主线已从论文的 N1 迭代到 N1.7VLM 骨干换为 Cosmos-Reason2-2B、动作块长度 16 步改 40 步但 Flow-Matching 动作头、双系统架构、多机型适配机制完全同构论文解读的结论依然适用其二新机型后训练的统一入口是 EmbodimentTag.NEW_EMBODIMENT 标签 一份 modality 配置Q1 接入时不需要碰模型本体代码。# 事项 3: 技能包执行过程导出为训练样本骨架格式对齐 GR00T LeRobot 规范importjsondefexport_skill_as_training_sample(rpk_config:dict,execution_log:dict):将现有技能包配置 执行记录转为 (指令, 动作序列, 时长) 三元组return{instruction:rpk_config[description],# 语言指令motions:rpk_config[motions],# 动作编号序列durations:execution_log[motion_durations],# 实测各段时长emotion_id:rpk_config[emotion_id],led:rpk_config[led],source:skill_package,# 数据来源标记}# 遍历现有三个情绪助手技能包, 生成首批种子样本# for cfg in [encourage, morning, countdown]:# sample export_skill_as_training_sample(load(cfg), record_execution(cfg))导出格式建议直接对齐仓库 demo_data/cube_to_bowl_5 样例的 LeRobot 规范parquet 存状态/动作、mp4 存相机视频、meta/modality.json 声明向量切片具体样例见官方数据准备文档。数据按这个格式攒后训练管线即插即用。七、结语回到最初的问题Q1 要不要跟要但不是跟着造模型而是跟着用模型。GR00T N1 已经证明了人形机器人的大脑可以像 LLM 一样被开源共建——双系统架构解决了理解慢、行动快的矛盾数据金字塔和潜动作学习解决了数据孤岛预训练加后训练把落地成本压掉一个数量级。对启元 Q1 而言正确的姿势不是仰望而是把开源权重当作新的地基建自己的房子——数据从今天开始攒链路从这个季度开始通双系统架构作为两年后的北极星。机器人的基础模型时代刚刚开始牌桌上还没有定局者。对桌面级交互机器人这个细分场景现在入场不晚。论文信息GR00T N1: An Open Foundation Model for Generalist Humanoid RobotsNVIDIA2025 年 3 月arXiv2503.14734开源项目信息项目地址https://github.com/NVIDIA/Isaac-GR00T项目定位GR00T N1 系列基础模型的官方实现Apache 2.0 协议权重在 Hugging Facenvidia/GR00T-N1.7-3B环境支持Python 3.12桌面 GPU、Jetson Thor/Orin、DGX Spark 均有官方安装指引另有 TensorRT 加速链路落地资产单卡后训练教程、server-client 部署架构策略跑 GPU 服务器轻量客户端发观测收动作、多个仿真基准的评估脚本与 Q1 的衔接新机型通过 NEW_EMBODIMENT 标签接入不碰模型本体代码本文路线图阶段一的技术预研可直接以该仓库为对象访问启元机器人开发者社区获取 SDK、仿真工具、开发文档完成从代码仿真到真机落地的全流程开发https://dev.primebot.com/